如今各種網(wǎng)絡(luò)攻擊層出不窮,對個人和企業(yè)乃至國家?guī)砹藝?yán)重的危害,網(wǎng)絡(luò)入侵檢測方法提供了一種主動的防御措施。隨著人工智能技術(shù)的不斷進(jìn)步,基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測方法成為學(xué)者們的一個研究熱點(diǎn)。目前,基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測方法存在著如下兩個問題:網(wǎng)絡(luò)入侵檢測數(shù)據(jù)通常是類別不平衡數(shù)據(jù),這會導(dǎo)致分類器對少數(shù)類攻擊的召回率（recall）低;此外,網(wǎng)絡(luò)入侵檢測數(shù)據(jù)中存在的冗余和不相關(guān)的特征會導(dǎo)致網(wǎng)絡(luò)入侵檢測的精度（accuracy）下降。針對網(wǎng)絡(luò)入侵檢測模型對少數(shù)類攻擊的召回率低的問題,本文提出了一種基于簇內(nèi)樣本平均分類錯誤率的混合采樣算法（Hybrid Sampling Based on Average Classification Error Rate of Samples Within a Cluster,簡稱HSACEC）。該算法定義了“簇內(nèi)樣本平均分類錯誤率”的概念,對多數(shù)類樣本進(jìn)行聚類后,根據(jù)“簇內(nèi)樣本平均分類錯誤率”采集有代表性的多數(shù)類樣本;此外,HSACEC算法采用SMOTE（Synthetic Minority Over-sampling Technique）方法對少數(shù)類進(jìn)... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于類別不平衡數(shù)據(jù)分類的網(wǎng)絡(luò)入侵檢測技術(shù)研究現(xiàn)狀
        1.2.2 基于特征選擇的網(wǎng)絡(luò)入侵檢測技術(shù)研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文章節(jié)安排
第2章 相關(guān)知識及技術(shù)
    2.1 網(wǎng)絡(luò)入侵檢測機(jī)制
        2.1.1 基于誤用的網(wǎng)絡(luò)入侵檢測
        2.1.2 基于異常的網(wǎng)絡(luò)入侵檢測
    2.2 類別不平衡數(shù)據(jù)的采樣方法
        2.2.1 欠采樣
        2.2.2 過采樣
        2.2.3 混合采樣
    2.3 特征選擇方法
        2.3.1 根據(jù)搜索策略劃分特征選擇方法
        2.3.2 根據(jù)評價(jià)準(zhǔn)則劃分特征選擇方法
    2.4 本章小結(jié)
第3章 基于HSACEC混合采樣算法的網(wǎng)絡(luò)入侵檢測模型
    3.1 引言
    3.2 相關(guān)算法和模型
        3.2.1 K-menas算法
        3.2.2 SMOTE算法
        3.2.3 BP神經(jīng)網(wǎng)絡(luò)模型
    3.3 提出的HSACEC算法
        3.3.1 基于簇內(nèi)樣本平均分類錯誤率的欠采樣
        3.3.2 HSACEC算法
    3.4 .基于HSACEC的網(wǎng)絡(luò)入侵檢測模型
    3.5 實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        3.5.2 評估指標(biāo)
        3.5.3 對比模型
        3.5.4 實(shí)驗(yàn)參數(shù)設(shè)置
        3.5.5 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于多評價(jià)準(zhǔn)則特征選擇的網(wǎng)絡(luò)入侵檢測模型
    4.1 引言
    4.2 相關(guān)算法和原理
        4.2.1 LVW算法
        4.2.2 OVO分解策略
    4.3 提出的LVW-MECO算法
        4.3.1 M-LVW算法
        4.3.2 LVW-MECO算法
    4.4 基于LVW-MECO的網(wǎng)絡(luò)入侵檢測模型
    4.5 實(shí)驗(yàn)與分析
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        4.5.2 評估指標(biāo)
        4.5.3 對比模型
        4.5.4 實(shí)驗(yàn)參數(shù)設(shè)置
        4.5.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 主要工作和創(chuàng)新點(diǎn)
    5.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]特征選擇方法綜述[J]. 李郅琴,杜建強(qiáng),聶斌,熊旺平,黃燦奕,李歡.  計(jì)算機(jī)工程與應(yīng)用. 2019(24)
[2]不平衡分類的數(shù)據(jù)采樣方法綜述[J]. 劉定祥,喬少杰,張永清,韓楠,魏軍林,張榕珂,黃萍.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(07)
[3]一種改進(jìn)型的不平衡數(shù)據(jù)欠采樣算法[J]. 魏力,張育平.  小型微型計(jì)算機(jī)系統(tǒng). 2019(05)
[4]融合最大相異系數(shù)密度的SMOTE算法的入侵檢測方法[J]. 陳虹,肖越,肖成龍,陳建虎.  信息網(wǎng)絡(luò)安全. 2019(03)
[5]融合杜鵑搜索的灰狼優(yōu)化算法在網(wǎng)絡(luò)入侵檢測特征選擇中的應(yīng)用[J]. 徐慧,付迎春,劉翔,方策,蘇軍.  工程科學(xué)與技術(shù). 2018(05)
[6]基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)和改進(jìn)SMOTE算法的組合式入侵檢測模型[J]. 燕昺昊,韓國棟.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2018(07)
[7]基于SMOTE和深度信念網(wǎng)絡(luò)的異常檢測[J]. 沈?qū)W利,覃淑娟.  計(jì)算機(jī)應(yīng)用. 2018(07)
[8]基于OVO分解策略的智能卷煙感官評估方法[J]. 張忠良,雒興剛,湯建國,唐加福.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[9]不平衡數(shù)據(jù)分類研究及其應(yīng)用[J]. 葉楓,丁鋒.  計(jì)算機(jī)應(yīng)用與軟件. 2018(01)
[10]一種基于密度的SMOTE方法研究[J]. 王俊紅,段冰倩.  智能系統(tǒng)學(xué)報(bào). 2017(06)

碩士論文
[1]人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價(jià)和預(yù)測中的應(yīng)用研究[D]. 熊勛.華中科技大學(xué) 2009



本文編號：3070563