隨著云計算、AI等技術(shù)的迅速發(fā)展,互聯(lián)網(wǎng)涌現(xiàn)出了各種新型的網(wǎng)絡(luò)攻擊,網(wǎng)絡(luò)異常檢測與分析方法引起了學(xué)術(shù)界的廣泛關(guān)注并逐漸成為研究熱點。網(wǎng)絡(luò)異常檢測旨在區(qū)分網(wǎng)絡(luò)中的惡意行為和正常行為,傳統(tǒng)的異常檢測方法普遍存在檢測效率較低和誤報率較高的問題,為提高傳統(tǒng)異常檢測方法的性能,本文引入了深度去噪自編碼器技術(shù),利用自編碼器的重構(gòu)誤差和自編碼器的數(shù)據(jù)降維來研究網(wǎng)絡(luò)異常檢測方法。本文首先針對網(wǎng)絡(luò)入侵數(shù)據(jù)中的數(shù)據(jù)類別分布不平衡的問題,提出了一種融合彈性網(wǎng)的深度去噪自編碼器（E-DDAE）的網(wǎng)絡(luò)異常檢測方法。通過改進深度去噪自編碼器的損失函數(shù),從而構(gòu)建融合彈性網(wǎng)的深度去噪自編碼器,利用訓(xùn)練集中的正常數(shù)據(jù)對自編碼網(wǎng)絡(luò)進行無監(jiān)督訓(xùn)練,把正常數(shù)據(jù)的重構(gòu)誤差作為異常閾值,通過構(gòu)建的自編碼器和異常閾值來對網(wǎng)絡(luò)的異常行為進行檢測。實驗結(jié)果表明,與AE、SVM、K-NN的異常檢測方法相比,該方法在保證了較好的分類準確率的同時,提高了召回率和F1值,降低了誤報率。本文然后針對傳統(tǒng)網(wǎng)絡(luò)異常檢測方法在處理海量高維度數(shù)據(jù)時檢測性能較差的問題,提出了一種融合深度去躁自編碼器（DDAE）與深度神經(jīng)網(wǎng)絡(luò)（DNN）的混合異常檢測方法（... 

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
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
    1.3 主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論概述
    2.1 異常檢測
        2.1.1 傳統(tǒng)異常檢測
        2.1.2 基于深度學(xué)習(xí)的異常檢測
    2.2 自編碼器理論基礎(chǔ)
        2.2.1 自編碼器
        2.2.2 去噪自編碼器
        2.2.3 深度自編碼器
        2.2.4 自編碼器的應(yīng)用
    2.3 深度神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第3章 融合彈性網(wǎng)的深度去噪自編碼器異常檢測方法
    3.1 融合彈性網(wǎng)的深度去噪自編碼器構(gòu)建
        3.1.1 彈性網(wǎng)方法
        3.1.2 噪聲的設(shè)置
        3.1.3 網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的確定
    3.2 E-DDAE異常檢測算法原理
        3.2.1 E-DDAE檢測算法主要步驟
        3.2.2 E-DDAE檢測算法形式化描述
    3.3 實驗與結(jié)果分析
        3.3.1 實驗環(huán)境與數(shù)據(jù)集
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 實驗評估指標
        3.3.4 實驗結(jié)果分析
    3.4 本章小結(jié)
第4章 融合深度去噪自編碼器與神經(jīng)網(wǎng)絡(luò)的異常檢測方法
    4.1 DDAE-DNN總體架構(gòu)
    4.2 基于深度去噪自編碼器的特征降維
    4.3 網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)
    4.4 DDAE-DNN異常檢測算法
        4.4.1 DDAE-DNN異常檢測算法的基本原理
        4.4.2 DDAE-DNN異常檢測算法步驟
        4.4.3 DDAE-DNN異常檢測算法形式化描述
    4.5 實驗結(jié)果分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
作者攻讀學(xué)位期間的科研成果
致謝


【參考文獻】：
期刊論文
[1]深度自編碼器在數(shù)據(jù)異常檢測中的應(yīng)用研究[J]. 張常華,周雄圖,張永愛,姚劍敏,郭太良,嚴群.  計算機工程與應(yīng)用. 2020(17)
[2]基于生成對抗網(wǎng)絡(luò)和自動編碼器的機械系統(tǒng)異常檢測[J]. 戴俊,王俊,朱忠奎,沈長青,黃偉國.  儀器儀表學(xué)報. 2019(09)
[3]基于貝葉斯網(wǎng)絡(luò)的鋁型材擠壓過程異常檢測[J]. 楊慧芳.  計算機應(yīng)用與軟件. 2019(09)
[4]基于深度信念網(wǎng)絡(luò)的高維傳感器數(shù)據(jù)異常檢測算法[J]. 金鵬,夏曉峰,喬焰,崔信紅.  傳感技術(shù)學(xué)報. 2019(06)
[5]瓦斯?jié)舛攘鲾?shù)據(jù)實時異常檢測方法[J]. 吳海波,施式亮,念其鋒.  計算機與數(shù)字工程. 2019(05)
[6]基于概率統(tǒng)計模型的電力IT監(jiān)控對象特征異常檢測[J]. 衛(wèi)薇,龍玉江,鐘掖.  山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[7]基于KNN離群點檢測和隨機森林的多層入侵檢測方法[J]. 任家東,劉新倩,王倩,何海濤,趙小林.  計算機研究與發(fā)展. 2019(03)
[8]高斯核密度估計方法檢測健康數(shù)據(jù)異常值[J]. 王康,周治平.  計算機科學(xué)與探索. 2019(12)
[9]基于獨熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測[J]. 梁杰,陳嘉豪,張雪芹,周悅,林家駿.  清華大學(xué)學(xué)報(自然科學(xué)版). 2019(07)
[10]基于DBN-KELM的入侵檢測算法[J]. 汪洋,伍忠東,火忠彩.  計算機工程. 2019(10)



本文編號：3733254