依托物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)、人工智能等技術(shù)的智能家居正在快速發(fā)展,給人們帶來便利的同時,卻面臨著拒絕服務、非法訪問或隱私泄露等信息安全風險,智能家居的入侵檢測研究還處于起步階段,現(xiàn)有解決方案存在難以處理大量高維度數(shù)據(jù)、檢測率低、誤檢率高等問題。本文在分析智能家居網(wǎng)絡面臨的安全威脅和網(wǎng)絡自身特點的基礎(chǔ)上,確立高檢測精度和低時延的目標,對智能家居入侵檢測方法進行了深入探究。本文的主要貢獻包括:1、提出一種融合深度學習與模糊神經(jīng)網(wǎng)絡的多層神經(jīng)網(wǎng)絡入侵檢測方法,構(gòu)建起基于多層神經(jīng)網(wǎng)絡的智能家居入侵檢測模型。基于深度學習完成數(shù)據(jù)特征的學習,將高維數(shù)據(jù)映射為低維數(shù)據(jù),基于模糊神經(jīng)網(wǎng)絡分析判斷低維數(shù)據(jù)的類別。2、針對傳統(tǒng)方法依賴經(jīng)驗確定網(wǎng)絡層數(shù)的問題,提供一種優(yōu)化確定網(wǎng)絡深度的方法,基于網(wǎng)絡的重構(gòu)誤差判斷其深度,使網(wǎng)絡能夠自組織完成訓練;既能保證檢測準確率,又可降低算法的時間復雜度。3、搭建了由數(shù)據(jù)采集、數(shù)據(jù)預處理、入侵檢測和本地報警四個模塊組成的智能家居入侵檢測驗證系統(tǒng)。通過winpcap完成對服務器網(wǎng)卡的數(shù)據(jù)包的捕獲和解析,基于包頭和內(nèi)容信息的統(tǒng)計特征,并通過字符串轉(zhuǎn)換為數(shù)值和歸一化處理得到待檢...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

監(jiān)測家庭環(huán)境，以確保家居環(huán)境的安全性和舒發(fā)，實現(xiàn)信息收集匯總，并與服務器進行信息實現(xiàn)底層節(jié)點與服務器的連接；服務器是智能現(xiàn)人機交互和智能控制，是互聯(lián)網(wǎng)與室內(nèi)智能設各傳感器所監(jiān)測結(jié)果，如溫度、濕度等，對監(jiān)擊的入侵行為進行顯示并報警；用戶遠程智能終可以遠程監(jiān)測和控制智能家居系統(tǒng)。

是由Hinton和Sejnowski等人于1986年提出別是可見層單元和隱藏層單元。限制波爾茲曼機的各個節(jié)點可以任意連接，限制波爾茲曼機則會存在連接，可見層節(jié)點之間和隱藏層節(jié)點之)為可見層單元，其中為可見層節(jié)點數(shù)量，表；(,,,)為隱藏層單元，其中....

圖4.4誤檢率對比過對比發(fā)現(xiàn)，多層神經(jīng)網(wǎng)絡和文獻[32]中提到的基于深度學習4層神量較大的DoS攻擊和R2L攻擊有較高的檢測率以及具有較低的誤檢較少的probing攻擊和U2L攻擊檢測率較低，此情況下，淺層網(wǎng)優(yōu)于是本文提出的多層神經(jīng)網(wǎng)絡引入了模糊神經(jīng)網(wǎng)絡，....

圖4.5基于不同數(shù)量訓練樣本的檢測準確率KDDCUP99數(shù)據(jù)集中在訓練集和測試集均未出現(xiàn)的新型攻擊，形成。將該測試集應用于本文提出的多層神經(jīng)網(wǎng)絡、由4個限制波爾茲曼置信網(wǎng)絡和BP神經(jīng)網(wǎng)絡，其檢測率如表4.4所示。表4.4三種神經(jīng)網(wǎng)絡針對新型攻擊檢測率多層神....

本文編號：3966736