發(fā)布時(shí)間：2022-07-12 17:53

　　隨著信息技術(shù)的快速發(fā)展和廣泛應(yīng)用,網(wǎng)絡(luò)已經(jīng)深入到社會(huì)的各個(gè)領(lǐng)域。但由于網(wǎng)絡(luò)的開(kāi)放性、互連性以及多樣性,導(dǎo)致網(wǎng)絡(luò)易受到惡意分子的攻擊,網(wǎng)絡(luò)攻擊頻繁發(fā)生。雖然安全防御技術(shù)不斷改進(jìn),但面對(duì)多變的攻擊方式,傳統(tǒng)的入侵檢測(cè)技術(shù)則收效甚微。近年來(lái)人工智能的快速發(fā)展,促使入侵檢測(cè)技術(shù)不斷更新。本文結(jié)合深度學(xué)習(xí)方法對(duì)入侵攻擊進(jìn)行檢測(cè)與識(shí)別,以適應(yīng)多變的攻擊行為,從而提高入侵檢測(cè)的識(shí)別率。本文的主要研究?jī)?nèi)容如下:（1）對(duì)NSL-KDD數(shù)據(jù)進(jìn)行分析與處理以便模型進(jìn)行計(jì)算。本文所用NSL-KDD數(shù)據(jù)為實(shí)驗(yàn)室的模擬數(shù)據(jù),通過(guò)對(duì)其各屬性的取值范圍、相關(guān)性以及概率分布進(jìn)行分析,發(fā)現(xiàn)了其中所存在的一些問(wèn)題。其一是各攻擊類(lèi)型的樣本數(shù)量嚴(yán)重不平衡。本文通過(guò)對(duì)數(shù)據(jù)進(jìn)行隨機(jī)過(guò)采樣來(lái)緩解樣本數(shù)量不平衡問(wèn)題。其二是原始訓(xùn)練集和測(cè)試集的概率分布存在一定的差異性。本文通過(guò)對(duì)訓(xùn)練集和測(cè)試集的部分屬性進(jìn)行離散化處理,將其映射到相同的區(qū)間內(nèi)以減小分布的差異性。實(shí)驗(yàn)結(jié)果表明,處理后的數(shù)據(jù)實(shí)驗(yàn)效果更佳。（2）通過(guò)簡(jiǎn)化殘差神經(jīng)網(wǎng)絡(luò)以適應(yīng)NSL-KDD數(shù)據(jù)集。隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加,容易產(chǎn)生梯度消失問(wèn)題,而殘差塊可以有效避免此問(wèn)題。但對(duì)于NSL... 

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 本章小結(jié)
第2章 數(shù)據(jù)集與相關(guān)技術(shù)
    2.1 數(shù)據(jù)集介紹
    2.2 分類(lèi)與聚類(lèi)
        2.2.1 分類(lèi)
        2.2.2 聚類(lèi)
    2.3 人工神經(jīng)網(wǎng)絡(luò)
        2.3.1 多層感知機(jī)
        2.3.2 激活函數(shù)
        2.3.3 參數(shù)初始化
        2.3.4 正則化
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 卷積層
        2.4.2 池化層
第3章 基于簡(jiǎn)化殘差網(wǎng)絡(luò)的入侵攻擊分類(lèi)預(yù)測(cè)
    3.1 引言
    3.2 簡(jiǎn)化殘差神經(jīng)網(wǎng)絡(luò)模型
    3.3 基于簡(jiǎn)化殘差神經(jīng)網(wǎng)絡(luò)的分類(lèi)預(yù)測(cè)模型
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 隨機(jī)過(guò)采樣
        3.3.3 模型構(gòu)建
        3.3.4 模型評(píng)估指標(biāo)
    3.4 實(shí)驗(yàn)與結(jié)果分析
    3.5 本章小結(jié)
第4章 基于集成神經(jīng)網(wǎng)絡(luò)的入侵攻擊分類(lèi)預(yù)測(cè)
    4.1 引言
    4.2 相關(guān)理論方法
        4.2.1 Dropout原理
        4.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.2.3 集成方法
    4.3 集成神經(jīng)網(wǎng)絡(luò)模型
        4.3.1 多層感知機(jī)
        4.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        4.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.3.4 模型集成部分
    4.4 實(shí)驗(yàn)與結(jié)果分析
        4.4.1 數(shù)據(jù)分析與預(yù)處理
        4.4.2 實(shí)驗(yàn)過(guò)程
        4.4.3 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第5章 基于自編碼器和均值漂移聚類(lèi)的入侵攻擊分析
    5.1 引言
    5.2 相關(guān)理論方法
        5.2.1 自編碼器
        5.2.2 均值漂移聚類(lèi)
    5.3 入侵攻擊分析模型架構(gòu)
    5.4 實(shí)驗(yàn)與結(jié)果分析
        5.4.1 模型評(píng)估指標(biāo)
        5.4.2 實(shí)驗(yàn)結(jié)果分析
    5.5 本章小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]2019年網(wǎng)絡(luò)安全漏洞態(tài)勢(shì)綜述[J]. 楊詩(shī)雨,桂暢旎,熊菲.  保密科學(xué)技術(shù). 2019(12)
[2]改進(jìn)的隨機(jī)森林分類(lèi)器網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 夏景明,李沖,談玲,周剛.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(08)
[3]2018年我國(guó)互聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)綜述[J]. 王小群,韓志輝,徐劍,朱天,饒毓,擺亮,毛洪亮.  保密科學(xué)技術(shù). 2019(05)
[4]基于KNN離群點(diǎn)檢測(cè)和隨機(jī)森林的多層入侵檢測(cè)方法[J]. 任家東,劉新倩,王倩,何海濤,趙小林.  計(jì)算機(jī)研究與發(fā)展. 2019(03)
[5]基于LightGBM的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J]. 莫坤,王娜,李恒吉,李朝陽(yáng),李劍.  信息安全研究. 2019(02)
[6]融合CNN與BiLSTM的網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 劉月峰,蔡爽,楊涵晰,張晨榮.  計(jì)算機(jī)工程. 2019(12)
[7]基于k-means算法的網(wǎng)絡(luò)數(shù)據(jù)庫(kù)入侵檢測(cè)技術(shù)[J]. 高彩霞.  電腦知識(shí)與技術(shù). 2019(01)
[8]基于dCNN的入侵檢測(cè)方法[J]. 張思聰,謝曉堯,徐洋.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法[J]. 賈凡,孔令智.  北京理工大學(xué)學(xué)報(bào). 2017(12)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J]. 王明,李劍.  信息安全研究. 2017(11)

碩士論文
[1]基于KPCA和ELM的入侵檢測(cè)方法研究[D]. 于樂(lè).吉林大學(xué) 2019



本文編號(hào)：3659583