信息通信技術(shù)對當(dāng)今世界的社會福祉,經(jīng)濟(jì)增長和國家安全產(chǎn)生了重大影響。然而,信息通信技術(shù)也被一些有不良企圖的人用于危害網(wǎng)絡(luò)安全,謀取不法利益。禁止這些有害的網(wǎng)絡(luò)活動是國際優(yōu)先事項(xiàng)和重要研究領(lǐng)域之一,而其首要任務(wù)就是識別網(wǎng)絡(luò)流量中的攻擊活動,即使用入侵檢測系統(tǒng)（Intrusion Detection System,IDS）進(jìn)行網(wǎng)絡(luò)異常檢測。如今存在許多阻礙網(wǎng)絡(luò)異常檢測技術(shù)發(fā)展的問題,本文將著重關(guān)注其中的兩個(gè)問題,第一,由于網(wǎng)絡(luò)異常檢測的數(shù)據(jù)集存在高維度、非線性的特點(diǎn),限制了傳統(tǒng)機(jī)器學(xué)習(xí)算法效果;第二,由于隱私原因,十分缺乏已標(biāo)注的公開數(shù)據(jù)集。本文針對這兩個(gè)問題提出并實(shí)現(xiàn)了三個(gè)基于機(jī)器學(xué)習(xí)的方法用于入侵檢測系統(tǒng)。第一個(gè)是使用基于分類回歸樹（Classification and Regression Tree,CART）決策樹的遞歸式特征消除（Recursive Feature Elimination,RFE）對網(wǎng)絡(luò)異常流量數(shù)據(jù)集進(jìn)行特征提取。使用RFE進(jìn)行特征提取后能夠減少數(shù)據(jù)集中的冗余以及無效特征,進(jìn)而提升傳統(tǒng)機(jī)器學(xué)習(xí)算法效果,并大幅縮短訓(xùn)練耗時(shí)。通過參考特征提取后保留的特征,可以在收集流... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

在神經(jīng)絡(luò)中使Dropout

Dropout實(shí)現(xiàn)[1]

基于 監(jiān)督學(xué)習(xí)的異常流量 的 種變體，結(jié)構(gòu)如圖5取分布的均值和標(biāo)準(zhǔn)差，有近似的概率分布。原始器 成的隱含變量 Z 則約束變量的概率密度分，x 表 觀察變量，z 表往會遇到后驗(yàn)概率不可計(jì)，VAE 在編碼器中引 x)，并且假設(shè)識別模型 q作為VAE的編碼器部分 qφ(z|x) 和真實(shí)后驗(yàn)分布似度，并通過優(yōu)化約束


本文編號：3106336