本文關(guān)鍵詞：基于RBM-BP模型的入侵檢測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著世界范圍內(nèi)計(jì)算機(jī)和網(wǎng)絡(luò)的廣泛應(yīng)用,網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜,網(wǎng)絡(luò)攻擊的方式也越來越多,因此,準(zhǔn)確識(shí)別網(wǎng)絡(luò)攻擊,防止網(wǎng)絡(luò)惡意行為,越來越受到人們的關(guān)注。目前的入侵檢測(cè)主要面臨兩個(gè)問題,一方面網(wǎng)絡(luò)流量中的數(shù)據(jù)越來越復(fù)雜且多變,且伴隨著噪聲,這要求入侵檢測(cè)方法具有很好的抗噪能力和學(xué)習(xí)能力;另一方面,網(wǎng)絡(luò)攻擊的技巧和模式越來越多變,隨著數(shù)據(jù)量的不斷增加,原來的入侵檢測(cè)模型可能無法很好地檢測(cè)新數(shù)據(jù)。因而面對(duì)模式多變的網(wǎng)絡(luò)攻擊,一個(gè)合格的入侵檢測(cè)方法要有很強(qiáng)的學(xué)習(xí)能力和自適應(yīng)能力,同時(shí)也要能夠快速處理高維復(fù)雜數(shù)據(jù)。在當(dāng)前的研究中,常見的入侵檢測(cè)方法主要有基于統(tǒng)計(jì)的入侵檢測(cè)方法、基于數(shù)據(jù)挖掘的入侵檢測(cè)方法、基于機(jī)器學(xué)習(xí)的入侵檢測(cè)方法以及基于人工神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法。作為典型的機(jī)器學(xué)習(xí)算法,人工神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)領(lǐng)域有著廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型,它有很強(qiáng)的學(xué)習(xí)能力和非線性能力,但是在處理高維的復(fù)雜數(shù)據(jù)時(shí),BP神經(jīng)網(wǎng)絡(luò)收斂速度慢,效率低,導(dǎo)致入侵檢測(cè)的準(zhǔn)確率不高。RBM具有很強(qiáng)的特征學(xué)習(xí)能力,能夠發(fā)現(xiàn)數(shù)據(jù)潛在的特征,從而實(shí)現(xiàn)對(duì)高維數(shù)據(jù)的降維。RBM通常被應(yīng)用于文本識(shí)別、圖片處理、模式識(shí)別等領(lǐng)域,很少有將其應(yīng)用于入侵檢測(cè)。綜上所述,本文提出了基于RBM-BP模型的入侵檢測(cè)方法。針對(duì)復(fù)雜的高維的網(wǎng)絡(luò)流量數(shù)據(jù),利用RBM很強(qiáng)的特征學(xué)習(xí)能力,對(duì)高維數(shù)據(jù)進(jìn)行無監(jiān)督地學(xué)習(xí),去除冗余特征,減小噪聲數(shù)據(jù)的影響,保留有用信息,降低數(shù)據(jù)復(fù)雜度;然后將非線性能力很強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)作分類器,可以保證入侵檢測(cè)的準(zhǔn)確性。本文通過實(shí)驗(yàn)驗(yàn)證了RBM-BP模型的有效性,從準(zhǔn)確率、誤報(bào)率和漏報(bào)率等指標(biāo)驗(yàn)證了整體模型的分類性能,然后考察了該模型在多分類情況下對(duì)每種類別的數(shù)據(jù)的識(shí)別能力,最后將RBM-BP模型與基于Fisher準(zhǔn)則的BP模型進(jìn)行對(duì)比,證明了RBM-BP模型的有效性。本文提出的模型結(jié)合了RBM和BP神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn),可以避免人工標(biāo)注所需的時(shí)間代價(jià),降低數(shù)據(jù)復(fù)雜度,同時(shí)整個(gè)模型具有較高的準(zhǔn)確率,較低的誤報(bào)率和漏報(bào)率。
【關(guān)鍵詞】：入侵檢測(cè) 人工神經(jīng)網(wǎng)絡(luò) 入侵檢測(cè)系統(tǒng) BP神經(jīng)網(wǎng)絡(luò) RBM
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP393.08
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-15
• 1.1 研究背景11-12
• 1.2 研究現(xiàn)狀12-13
• 1.3 研究?jī)?nèi)容13-14
• 1.4 本文組織結(jié)構(gòu)14-15
• 第2章 入侵檢測(cè)15-19
• 2.1 入侵檢測(cè)概述15
• 2.2 入侵檢測(cè)技術(shù)15-17
• 2.3 經(jīng)典的入侵檢測(cè)框架17-18
• 2.3.1 Denning模型17-18
• 2.3.2 CIDF18
• 2.4 本章小結(jié)18-19
• 第3章 人工神經(jīng)網(wǎng)絡(luò)19-32
• 3.1 概述19-21
• 3.1.1 神經(jīng)元結(jié)構(gòu)19-20
• 3.1.2 人工神經(jīng)網(wǎng)絡(luò)的原理20-21
• 3.2 BP神經(jīng)網(wǎng)絡(luò)21-23
• 3.3 受限玻爾茲曼機(jī)（RBM）23-30
• 3.3.1 玻爾茲曼機(jī)（Boltzmann machine，BM）23-24
• 3.3.2 RBM的網(wǎng)絡(luò)結(jié)構(gòu)24-25
• 3.3.3 能量函數(shù)25-26
• 3.3.4 學(xué)習(xí)算法26-30
• 3.4 本章小結(jié)30-32
• 第4章 RBM-BP模型在入侵檢測(cè)中的應(yīng)用32-51
• 4.1 基于人工神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)框架32-36
• 4.1.1 目前入侵檢測(cè)系統(tǒng)存在的問題32-33
• 4.1.2 基于人工神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)框架33-34
• 4.1.3 模塊設(shè)計(jì)34-36
• 4.2 RBM-BP模型36-40
• 4.2.1 設(shè)計(jì)原理36
• 4.2.2 模型結(jié)構(gòu)36-37
• 4.2.3 模型學(xué)習(xí)37-39
• 4.2.4 參數(shù)設(shè)置39-40
• 4.3 實(shí)驗(yàn)數(shù)據(jù)和評(píng)價(jià)標(biāo)準(zhǔn)40-42
• 4.3.1 實(shí)驗(yàn)數(shù)據(jù)集介紹40-42
• 4.3.2 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)42
• 4.4 實(shí)驗(yàn)設(shè)計(jì)42-50
• 4.4.1 RBM網(wǎng)絡(luò)結(jié)構(gòu)的確定42-44
• 4.4.2 實(shí)驗(yàn)結(jié)果分析44-50
• 4.5 本章小結(jié)50-51
• 第5章 總結(jié)與展望51-53
• 5.1 總結(jié)51
• 5.2 展望51-53
• 參考文獻(xiàn)53-56
• 作者簡(jiǎn)介及在學(xué)期間所取得的科研成果56-57
• 致謝57

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張振;基于RBM-BP模型的入侵檢測(cè)方法研究[D];吉林大學(xué);2016年

  本文關(guān)鍵詞：基于RBM-BP模型的入侵檢測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：398957