隨著互聯(lián)網(wǎng)時代的發(fā)展,內(nèi)部威脅、零日漏洞和DoS攻擊等攻擊行為日益增加,網(wǎng)絡安全變得越來越重要,入侵檢測已成為網(wǎng)絡攻擊檢測的一種重要手段。隨著機器學習算法的發(fā)展,研究人員提出了大量的入侵檢測技術(shù)。本文對這些研究進行了綜述。首先,簡要介紹了當前的網(wǎng)絡安全形勢,并給出了入侵檢測技術(shù)及系統(tǒng)在各個領域的應用。然后,從數(shù)據(jù)來源、檢測技術(shù)和檢測性能三個方面對入侵檢測相關(guān)技術(shù)和系統(tǒng)進行已有研究工作的總結(jié)與評價,其中,檢測技術(shù)重點論述了傳統(tǒng)機器學習、深度學習、強化學習、可視化分析技術(shù)等方法。最后,討論了當前研究中出現(xiàn)的問題并展望該技術(shù)的未來發(fā)展方向和前景。本文希望能為該領域的研究人員提供一些有益的思考。

【文章頁數(shù)】：27 頁

【文章目錄】：
1引言
2 入侵檢測系統(tǒng)分類
    2.1 基于數(shù)據(jù)來源劃分
        2.1.1 基于主機的IDS(HIDS)
        2.1.2 基于網(wǎng)絡的IDS(NIDS)
    2.2 基于檢測技術(shù)劃分
        2.2.1 基于誤用的IDS(MIDS)
        2.2.2 基于異常的IDS(AIDS)
3 基于傳統(tǒng)機器學習的入侵檢測
    3.1 入侵數(shù)據(jù)處理
    3.2 監(jiān)督機器學習技術(shù)
        3.2.1 生成方法
        3.2.2 判別方法
        3.2.3 小結(jié)
    3.3 無監(jiān)督機器學習技術(shù)
        3.3.1 常用的無監(jiān)督機器學習技術(shù)
        3.3.2 小結(jié)
    3.4 總結(jié)與討論
4 基于深度學習的入侵檢測
    4.1 生成方法
        4.1.1 自動編碼器
        4.1.2 深度玻爾茲曼機
        4.1.3 深度信念網(wǎng)絡
        4.1.4 循環(huán)神經(jīng)網(wǎng)絡
    4.2 判別方法
    4.3 生成對抗網(wǎng)絡
    4.4 總結(jié)與討論
5 基于強化學習的入侵檢測
6 基于可視化分析的入侵檢測
    6.1 網(wǎng)絡流量數(shù)據(jù)
    6.2 日志數(shù)據(jù)
    6.3 總結(jié)與討論
7 討論與展望
8 結(jié)束語



本文編號：3863099