移動互聯(lián)網(wǎng)的普及伴隨著大量網(wǎng)絡(luò)安全問題的出現(xiàn),許多新型的網(wǎng)絡(luò)攻擊方式層出不窮,危機(jī)事件頻發(fā)。我國互聯(lián)網(wǎng)安全態(tài)勢仍然嚴(yán)峻。如何應(yīng)對網(wǎng)絡(luò)攻擊,保障網(wǎng)絡(luò)安全是我們亟待研究的問題之一。面對日新月異的攻擊手段,傳統(tǒng)網(wǎng)絡(luò)流量異常檢測方法已經(jīng)不適用于當(dāng)前的網(wǎng)絡(luò)環(huán)境。傳統(tǒng)網(wǎng)絡(luò)流量異常檢測方法過于依賴對特征的人工選擇,缺乏自適應(yīng)性,面對新類型的異常檢測準(zhǔn)確率低;在面對海量高維流量數(shù)據(jù)時,難以有效提取其中的關(guān)鍵特征,滿足系統(tǒng)實(shí)時性要求;另一方面,網(wǎng)絡(luò)流量數(shù)據(jù)多存在類間分布不平衡的問題,使得模型檢測效果具有較大的偏向性,對少數(shù)類異常檢測效果較差。近些年來深度學(xué)習(xí)以其在處理復(fù)雜、大規(guī)模數(shù)據(jù)和提取流量數(shù)據(jù)內(nèi)在特征方面的優(yōu)異性能,已成為網(wǎng)絡(luò)流量異常檢測的一種有效方案。針對現(xiàn)有網(wǎng)絡(luò)流量異常檢測模型難以處理海量高維不平衡數(shù)據(jù)、誤報(bào)率和漏報(bào)率高、檢測實(shí)時性不強(qiáng)等問題。本文提出了一系列基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量異常檢測方法,主要貢獻(xiàn)包括:（1）本文提出了一種基于深度學(xué)習(xí)理論的堆疊稀疏自編碼器的流量數(shù)據(jù)特征提取方法。使用堆疊稀疏自動編碼器實(shí)現(xiàn)網(wǎng)絡(luò)流量高維特征到低維特征的非線性映射,適用于海量數(shù)據(jù)環(huán)境下的高維特征分類任務(wù)。在UN... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)設(shè)計(jì)
2 相關(guān)理論基礎(chǔ)
    2.1 網(wǎng)絡(luò)流量異常檢測概述
    2.2 流量數(shù)據(jù)維數(shù)約簡常見技術(shù)
        2.2.1 網(wǎng)絡(luò)流量特征提取常見方法
        2.2.2 網(wǎng)絡(luò)流量特征選擇常見方法
    2.3 深度學(xué)習(xí)異常檢測常用算法
        2.3.1 自動編碼器(Autoencoder)
        2.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
    2.4 不平衡分布數(shù)據(jù)處理常用算法
        2.4.1 處理不平衡數(shù)據(jù)的難點(diǎn)分析
        2.4.2 常見的采樣算法
    2.5 本章小結(jié)
3 基于堆疊稀疏自編碼器的網(wǎng)絡(luò)流量數(shù)據(jù)特征提取方法
    3.1 UNSW-NB15數(shù)據(jù)集分析
    3.2 方案原理介紹
        3.2.1 自編碼器與堆疊自編碼器
        3.2.2 稀疏自編碼器
        3.2.3 堆疊稀疏自編碼器
    3.3 方案流程介紹
        3.3.1 模型架構(gòu)
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 評價指標(biāo)
        3.3.4 實(shí)驗(yàn)環(huán)境及模型參數(shù)
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 不同網(wǎng)絡(luò)結(jié)構(gòu)對SSAE性能的影響
        3.4.2 不同稀疏系數(shù)對SSAE性能的影響
        3.4.3 SSAE提取的低維特征對分類器的影響
        3.4.4 SSAE與其他特征提取方法的對比
    3.5 本章小結(jié)
4 基于多層注意力機(jī)制的網(wǎng)絡(luò)流量異常檢測方法
    4.1 數(shù)據(jù)過采樣方法簡介
        4.1.1 合成少數(shù)類過采樣方法(SMOTE)
    4.2 方案原理介紹
        4.2.1 注意力機(jī)制基本原理
        4.2.2 多層注意力機(jī)制
    4.3 方案流程介紹
        4.3.1 模型框架
        4.3.2 數(shù)據(jù)預(yù)處理
        4.3.3 評價指標(biāo)
        4.3.4 實(shí)驗(yàn)環(huán)境及模型參數(shù)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 數(shù)據(jù)過采樣對模型性能的影響
        4.4.2 多層注意力機(jī)制對模型性能的影響
        4.4.3 與其他模型效果的對比
        4.4.4 流量注意力可視化分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]自然語言處理中的注意力機(jī)制研究綜述[J]. 石磊,王毅,成穎,魏瑞斌.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2020(05)
[2]基于自相似的異常流量自適應(yīng)檢測方法[J]. 夏正敏,陸松年,李建華,馬進(jìn).  計(jì)算機(jī)工程. 2010(05)

碩士論文
[1]SVM集成與增量算法在入侵檢測中的應(yīng)用研究[D]. 王洪兵.武漢理工大學(xué) 2018



本文編號：3686427