互聯(lián)網(wǎng)為代表的新興通訊技術(shù)正在快速的和社會(huì)經(jīng)濟(jì)的各個(gè)領(lǐng)域進(jìn)行深度融合,是促進(jìn)國(guó)家競(jìng)爭(zhēng)優(yōu)勢(shì)、社會(huì)轉(zhuǎn)型、消費(fèi)升級(jí)的主要推動(dòng)力之一。但是事物都具有兩面性,在人們消受網(wǎng)絡(luò)帶來(lái)好處的同時(shí),網(wǎng)絡(luò)攻擊的手段也在不斷的升級(jí)創(chuàng)新,網(wǎng)絡(luò)攻擊的方法也越來(lái)越難以識(shí)別,影響的范圍也越來(lái)越廣。隨著互聯(lián)網(wǎng)時(shí)代的到來(lái),網(wǎng)絡(luò)攻擊嚴(yán)重威脅到我們對(duì)網(wǎng)絡(luò)正常需要,并且可能帶來(lái)信息泄露、經(jīng)濟(jì)損失等后果,使得網(wǎng)絡(luò)安全必須面對(duì)新的挑戰(zhàn)。網(wǎng)絡(luò)攻擊一般分為網(wǎng)絡(luò)和主機(jī)端攻擊,因此本文主要研究了網(wǎng)絡(luò)入侵和惡意代碼識(shí)別,但是由于網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)和惡意代碼數(shù)據(jù)都具有的共同點(diǎn)就是數(shù)據(jù)量大、屬性冗余以及屬性之間線性相關(guān)等特點(diǎn)。因此本文研究網(wǎng)絡(luò)入侵和惡意代碼的分類問(wèn)題主要分為兩個(gè)方面就是數(shù)據(jù)降維和網(wǎng)絡(luò)入侵和惡意代碼的分類,論文主要工作包括:1.研究數(shù)據(jù)降維的方法包括PCA（特征提取）、粗糙集和改進(jìn)粗糙集算法（粗糙集和改進(jìn)粗糙集屬于特征選擇）對(duì)網(wǎng)絡(luò)入侵和惡意代碼分類效果的影響。2.研究了極限學(xué)習(xí)機(jī)結(jié)合數(shù)據(jù)降維方法（PCA和改進(jìn)粗糙集）在網(wǎng)絡(luò)入侵和惡意代碼分類識(shí)別中的效果。由于極限學(xué)習(xí)機(jī)參數(shù)設(shè)置簡(jiǎn)單、泛化能力好等特點(diǎn)提高了分類速度,同時(shí)數(shù)據(jù)降維提高了分類準(zhǔn)... 

【文章來(lái)源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－１祌經(jīng)元模型??

＂?誤差信號(hào)??圖３－２有教師學(xué)習(xí)（監(jiān)督式學(xué)習(xí)）??如圖３－３無(wú)教師學(xué)習(xí)或無(wú)監(jiān)督學(xué)習(xí)，是指在沒(méi)有監(jiān)督或者評(píng)價(jià)指標(biāo)情況下進(jìn)??行學(xué)習(xí)，但是需要提供任務(wù)衡量指標(biāo)，來(lái)衡量其學(xué)習(xí)質(zhì)量。一旦神經(jīng)網(wǎng)絡(luò)在無(wú)監(jiān)??督情況下學(xué)習(xí)成功，就獲得了一定的創(chuàng)新能力。??環(huán)境?———￣￣？學(xué)習(xí)系統(tǒng)??圖３－３無(wú)教師學(xué)習(xí)（無(wú)監(jiān)督學(xué)習(xí)）??ＡＮＮ相較于傳統(tǒng)的入侵和惡意代碼分類方法具有以下特點(diǎn)??１．

圖３－５?ＢＰ算法流程圖??基于ＢＰ神經(jīng)網(wǎng)絡(luò)的分類算法步驟如下：??Ｓｔｅｐｌ：設(shè)置ＢＰ模型參數(shù)。包括各層間突觸權(quán)值和偏值的隨機(jī)設(shè)置、訓(xùn)練樣??本誤差精度設(shè)置、各層神經(jīng)元個(gè)數(shù)和訓(xùn)練次數(shù)的設(shè)置等。??ＳｔｅＰ２：根據(jù)訓(xùn)練樣本集合進(jìn)行訓(xùn)練，直到符合停止訓(xùn)練的要求。??ＳｔｅＰ３：輸入測(cè)試集樣本數(shù)據(jù)，對(duì)ＢＰ模型進(jìn)行檢測(cè)，判斷模型分類效果。??３．３實(shí)驗(yàn)仿真??３．３．１入侵實(shí)驗(yàn)結(jié)果分析??入侵?jǐn)?shù)據(jù)使用ＫＤＤＣＵＰ９９數(shù)據(jù)集，其在入侵檢測(cè)大賽和各種研究中應(yīng)用廣??泛，樣本特征向量的維度為４２，前４１個(gè)表示樣本信息，第４２個(gè)表示樣本類別，??

【參考文獻(xiàn)】：
期刊論文
[1]一種多機(jī)器學(xué)習(xí)算法集成的惡意代碼檢測(cè)系統(tǒng)[J]. 王子騰.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2018(04)
[2]基于深度學(xué)習(xí)的惡意代碼檢測(cè)技術(shù)[J]. 孫澤浩.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2018(02)
[3]基于多維特征的Android惡意應(yīng)用檢測(cè)系統(tǒng)[J]. 陳澤峰,方勇,劉亮,左政,李抒霞.  信息安全研究. 2018(02)
[4]基于CFA和BP神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法[J]. 凌捷,黃盛.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2018(03)
[5]基于CS-CPSO與SVM融合的WSNs入侵檢測(cè)算法[J]. 劉宏立,李璐,胡久松.  傳感器與微系統(tǒng). 2017(09)
[6]一種基于Spark與BP神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法[J]. 王輝,王勇,柯文龍.  電腦知識(shí)與技術(shù). 2017(16)
[7]惡意代碼分類的一種高維特征融合分析方法[J]. 崔弘,喻波,方瑩.  計(jì)算機(jī)應(yīng)用研究. 2017(04)
[8]人工蜂群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J]. 沈夏炯,王龍,韓道軍.  計(jì)算機(jī)工程. 2016(02)
[9]一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)方法的設(shè)計(jì)與實(shí)現(xiàn)[J]. 李勤樸,何立夫.  湖南電力. 2015(06)
[10]一種惡意代碼特征選取和建模方法[J]. 李盟,賈曉啟,王蕊,林東岱.  計(jì)算機(jī)應(yīng)用與軟件. 2015(08)

碩士論文
[1]核PCA特征提取方法及其應(yīng)用研究[D]. 高緒偉.南京航空航天大學(xué) 2009
[2]基于SVM的網(wǎng)絡(luò)入侵檢測(cè)研究[D]. 曹宏鑫.南京理工大學(xué) 2004



本文編號(hào)：3338100