發(fā)布時(shí)間：2021-10-05 01:52

　　入侵檢測(cè)自提出以來(lái)就備受重視。近年來(lái),機(jī)器學(xué)習(xí)的熱潮為入侵檢測(cè)技術(shù)的研究帶來(lái)了新鮮血液,并且得到了廣泛的應(yīng)用。但是由于人們的工作和生活越來(lái)越多的依賴(lài)互聯(lián)網(wǎng),致使網(wǎng)絡(luò)信息交錯(cuò)復(fù)雜,如何從海量數(shù)據(jù)中提取有用的信息并對(duì)其進(jìn)行分析成為當(dāng)下解決大數(shù)據(jù)問(wèn)題的關(guān)鍵。傳統(tǒng)的特征擇優(yōu)方法通過(guò)數(shù)據(jù)降維能在一定程度上提高算法的泛化能力,但是由于忽略了某些重要特征在分類(lèi)中的作用而導(dǎo)致入侵檢測(cè)率與誤報(bào)率失衡;針對(duì)小類(lèi)別樣本,現(xiàn)有的大多數(shù)入侵檢測(cè)方法在檢測(cè)準(zhǔn)確率的表現(xiàn)上也不盡如人意。本文針對(duì)上述問(wèn)題,提出了新的基于機(jī)器學(xué)習(xí)的擇優(yōu)算法。論文的主要研究?jī)?nèi)容及創(chuàng)新如下:（1）由于樣本特征的多元化,傳統(tǒng)的方法不能很好地表示樣本與特征之間的關(guān)系,針對(duì)此類(lèi)問(wèn)題,本文在Fisher分特征選擇的基礎(chǔ)上引入了超圖的概念,提出了一種基于FS-HG特征擇優(yōu)的兩級(jí)混合入侵檢測(cè)方法。該方法在訓(xùn)練階段結(jié)合Fisher分和超圖的Helly屬性做特征擇優(yōu),得到更有利于分類(lèi)的樣本特征;在測(cè)試階段利用隨機(jī)森林和改進(jìn)的K均值作為聯(lián)合分類(lèi)器,旨在通過(guò)加入密集度閾值來(lái)避免單個(gè)離群點(diǎn)對(duì)簇類(lèi)中心變化的影響,使聚類(lèi)結(jié)果達(dá)到更高的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,級(jí)聯(lián)分類(lèi)器... 

【文章來(lái)源】：桂林電子科技大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

017年我國(guó)境內(nèi)被篡改的網(wǎng)站數(shù)量月度統(tǒng)計(jì)圖

所提方法的檢測(cè)性能，本章在如下表 4-2 所示的果做了分析。表 4-2ADBN 模型參數(shù)batch_sizes epochs 500 300 500 400 200 400 數(shù)均由經(jīng)驗(yàn)值獲得，整個(gè) ADBN 模型訓(xùn)練包括以M 模型；貪婪的逐層訓(xùn)練堆疊的 RBM，即 DBN型中的參數(shù)。表 4-2 中的 batch_sizes 表示每次取據(jù)集樣本被訓(xùn)練的次數(shù)，learning_rate 表示各模和分析了ADBN模型中編碼器部分隱藏層個(gè)數(shù)和檢測(cè)率的影響。算法檢測(cè)率的影響如圖 4-6 所示：

第四章 基于 ADBN 特征擇優(yōu)的入侵檢測(cè)方法 層表示 ADBN 模型中編碼器部分包含 1 個(gè)隱藏層：41-23-5；2 層表示 ADBN 模型中編碼器部分包的神經(jīng)元依次為：41-28-14-5；3 層表示 ADBN 即整個(gè)編碼器部分的神經(jīng)元依次為：41-30-20-10-分包含 4 個(gè)隱藏層，即整個(gè)編碼器部分的。從實(shí)驗(yàn)結(jié)果可以看出，模型在包含 4 個(gè)隱藏層個(gè)數(shù)小于 4 時(shí)，隨著隱藏層個(gè)數(shù)的增加，算法的練階段可以通過(guò)更多的隱藏層提取能夠表征原始，會(huì)導(dǎo)致模型出現(xiàn)擬合過(guò)度現(xiàn)象，從而降低算法出層神經(jīng)元個(gè)數(shù)對(duì)算法檢測(cè)率的影響如圖 4-7 所層。

【參考文獻(xiàn)】：
期刊論文
[1]基于獨(dú)熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)[J]. 梁杰,陳嘉豪,張雪芹,周悅,林家駿.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(07)
[2]基于dCNN的入侵檢測(cè)方法[J]. 張思聰,謝曉堯,徐洋.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于非對(duì)稱(chēng)卷積自編碼器和支持向量機(jī)的入侵檢測(cè)模型[J]. 王佳林,劉吉強(qiáng),趙迪,王盈地,相迎宵,陳彤,童恩棟,牛溫佳.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2018(11)
[4]基于DBN-KELM的入侵檢測(cè)算法[J]. 汪洋,伍忠東,火忠彩.  計(jì)算機(jī)工程. 2019(10)
[5]基于稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法[J]. 任偉.  移動(dòng)通信. 2018(08)
[6]中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[J].   中國(guó)科技信息. 2018(05)
[7]基于自編碼網(wǎng)絡(luò)特征降維的輕量級(jí)入侵檢測(cè)模型[J]. 高妮,高嶺,賀毅岳,王海.  電子學(xué)報(bào). 2017(03)
[8]探究大數(shù)據(jù)下的K-means聚類(lèi)算法在網(wǎng)絡(luò)安全檢測(cè)中的應(yīng)用[J]. 林慶新.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(03)
[9]基于超圖的多模態(tài)特征選擇算法及其應(yīng)用[J]. 彭瑤,祖辰,張道強(qiáng).  計(jì)算機(jī)科學(xué)與探索. 2018(01)
[10]基于超圖的多模態(tài)關(guān)聯(lián)特征處理方法[J]. 羅永恩,胡繼承,徐茜.  計(jì)算機(jī)工程. 2017(01)

博士論文
[1]機(jī)器學(xué)習(xí)方法在入侵檢測(cè)中的應(yīng)用研究[D]. 解男男.吉林大學(xué) 2015

碩士論文
[1]基于聚類(lèi)和支持向量機(jī)的入侵檢測(cè)方法研究[D]. 張曉峰.蘭州理工大學(xué) 2018
[2]基于互信息的特征選擇在入侵檢測(cè)中的優(yōu)化研究[D]. 向嬋.昆明理工大學(xué) 2018
[3]堆疊式降噪自編碼器深度網(wǎng)絡(luò)的入侵檢測(cè)[D]. 陶亮亮.蘭州大學(xué) 2017
[4]Snort在工業(yè)控制系統(tǒng)入侵檢測(cè)領(lǐng)域的改進(jìn)及應(yīng)用[D]. 馮子豪.北京郵電大學(xué) 2017
[5]基于數(shù)據(jù)挖掘的校園網(wǎng)入侵檢測(cè)系統(tǒng)研究與實(shí)現(xiàn)[D]. 楊贛川.天津大學(xué) 2017
[6]基于聚類(lèi)分析的入侵檢測(cè)算法研究[D]. 邵陽(yáng).東南大學(xué) 2016
[7]基于聚類(lèi)算法的入侵檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 崔文科.電子科技大學(xué) 2016
[8]入侵檢測(cè)中基于決策樹(shù)與樸素貝葉斯的混合分類(lèi)算法研究[D]. 姚濰.深圳大學(xué) 2015
[9]基于深度學(xué)習(xí)的入侵檢測(cè)[D]. 楊昆朋.北京交通大學(xué) 2015
[10]超圖理論算法研究及其在圖像分類(lèi)中的應(yīng)用[D]. 王超杰.廈門(mén)大學(xué) 2014



本文編號(hào)：3418761