隨著計算機和網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)已經(jīng)成為人們獲取外界信息的重要途徑,網(wǎng)絡(luò)技術(shù)的發(fā)展也帶來了一些網(wǎng)絡(luò)信息安全問題,因而安全監(jiān)測變得越來越重要。當(dāng)前,網(wǎng)絡(luò)環(huán)境不斷地復(fù)雜化,網(wǎng)絡(luò)入侵行為的數(shù)據(jù)出現(xiàn)特征維度高、數(shù)據(jù)量多和冗余度大等特性。傳統(tǒng)的入侵檢測模型對特征的選擇十分依賴,在處理高維度、非線性的海量數(shù)據(jù)上存在很大的局限性。深度學(xué)習(xí)技術(shù)可以從海量數(shù)據(jù)中有效提取入侵數(shù)據(jù)的深層特征,從而能夠更好地檢測入侵行為。論文將深度信念網(wǎng)絡(luò)作為對海量數(shù)據(jù)進行特征學(xué)習(xí)的方法,提出一種改進的深度學(xué)習(xí)模型,并將其應(yīng)用于入侵檢測領(lǐng)域,設(shè)計了一種改進的入侵檢測模型。論文主要研究工作如下:1、為了解決入侵檢測領(lǐng)域海量數(shù)據(jù)類型復(fù)雜以及特征冗余問題,論文利用深度信念網(wǎng)絡(luò)對數(shù)據(jù)特征進行學(xué)習(xí)和降維,采用自適應(yīng)學(xué)習(xí)率的方法來提高網(wǎng)絡(luò)訓(xùn)練的收斂速度和精度,設(shè)計了基于自適應(yīng)學(xué)習(xí)率的改進的深度信念網(wǎng)絡(luò)模型（Improved Deep Belief Network,IDBN）,并確定面向入侵檢測的特征學(xué)習(xí)模型的網(wǎng)絡(luò)結(jié)構(gòu)（122-90-60-40-20）。實驗表明IDBN模型的檢測準確率比自編碼網(wǎng)絡(luò)、主成分分析-20模型分別提高2... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

IDBN模型不同網(wǎng)絡(luò)深度的入侵檢測性能對比

江蘇大學(xué)工程碩士學(xué)位論文29實驗將采用輸出層節(jié)點數(shù)為20的IDBN4模型進行特征學(xué)習(xí)。3.3.2不同學(xué)習(xí)率對比實驗學(xué)習(xí)率實驗的評價指標為重構(gòu)誤差，即IDBN模型重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)之間的誤差，見式（3.18）。2"10nmkikikivverrorn(3.18)其中，n表示樣本數(shù)據(jù)的個數(shù)，m表示每個RBM網(wǎng)絡(luò)輸入層節(jié)點個數(shù)，kiv為第k個原始樣本數(shù)據(jù)，"kiv為第k個RBM網(wǎng)絡(luò)的重構(gòu)數(shù)據(jù)。實驗參數(shù)設(shè)置為：指數(shù)型衰減學(xué)習(xí)率的初始值A(chǔ)為0.1，衰減系數(shù)為0.05。對比自適應(yīng)學(xué)習(xí)率與3個固定的全局學(xué)習(xí)率（=0.005、=0.05和=0.5）以及指數(shù)型衰減學(xué)習(xí)率方法，實驗結(jié)果如圖3.5所示。圖3.5不同學(xué)習(xí)率的重構(gòu)誤差對比Figure3.5Comparisonofreconstructionerrorsatdifferentlearningrates圖3.5可知，在固定的學(xué)習(xí)率方法中，=0.5時重構(gòu)誤差最大，=0.005時模型的收斂速度緩慢，=0.05時性能較好。與固定學(xué)習(xí)率方法相比，本文的ALR在迭代次數(shù)達到30以后重構(gòu)誤差方面具有較大的優(yōu)勢。與指數(shù)型衰減學(xué)習(xí)率相比，當(dāng)?shù)螖?shù)達到50以后，采用ALR方法的DBN模型訓(xùn)練時產(chǎn)生的重構(gòu)誤差趨于穩(wěn)定并且重構(gòu)誤差最小，表明本文的方法性能最好。

江蘇大學(xué)工程碩士學(xué)位論文39在模型訓(xùn)練中，利用每層RBM網(wǎng)絡(luò)的可視層和吉布斯采樣重構(gòu)的可視層之間的平均絕對誤差作為混合優(yōu)化算法的適應(yīng)度函數(shù)，分析混合優(yōu)化算法的迭代次數(shù)對適應(yīng)度值的影響，確定GA-PSO混合優(yōu)化算法訓(xùn)練的最優(yōu)迭代次數(shù)。圖4.5GA-PSO混合優(yōu)化算法迭代次數(shù)與適應(yīng)度值的變化曲線Figure4.5ChangecurveofGA-PSOhybridoptimizationalgorithmiterationsandfitnessvalue由圖4.5可知，GA-PSO混合優(yōu)化算法的適應(yīng)度值隨迭代次數(shù)的增加而降低，當(dāng)?shù)螖?shù)超過65后，混合優(yōu)化算法的適應(yīng)度值趨于穩(wěn)定，表明IDBN模型通過混合優(yōu)化算法獲得的初始網(wǎng)絡(luò)連接權(quán)值和偏置值達到最優(yōu)，在后續(xù)實驗中，將GA-PSO混合優(yōu)化算法的迭代次數(shù)設(shè)置為65。2、IDBN預(yù)訓(xùn)練過程的迭代次數(shù)圖4.6預(yù)訓(xùn)練的迭代次數(shù)和檢測準確率變化曲線Figure4.6Changecurveofpre-trainediterationsanddetectionaccuracy


本文編號：2999234