物聯(lián)網(wǎng)應用廣泛,且往往節(jié)點眾多,無人值守,面臨著嚴峻的信息安全風險;其感知層節(jié)點具有計算能力弱、能耗低和存儲空間不足等特點,現(xiàn)有的入侵檢測方法難以適應資源受限且不斷變化的物聯(lián)網(wǎng)環(huán)境。本文重點針對物聯(lián)網(wǎng)感知層的特點和安全需求,對基于機器學習的物聯(lián)網(wǎng)入侵檢測方法進行了較深入系統(tǒng)的研究,探討了輕量級、智能化的物聯(lián)網(wǎng)入侵檢測方法。主要貢獻包括:首先,針對最小二乘支持向量機（LSSVM）模型具有訓練速度快、準確率高,但缺乏稀疏性的特點,建立了基于稀疏化LSSVM的物聯(lián)網(wǎng)入侵檢測分類器方案,在提高分類效率和準確性的同時,降低其計算資源占用率。其次,針對初始數(shù)據(jù)集樣本眾多,難以在資源受限的環(huán)境中進行模型訓練的問題,提出數(shù)據(jù)稀疏的方法,在模型訓練前對支持向量進行稀疏約減。其中,針對K均值聚類算法聚類速度慢,易陷入局部最優(yōu)解的問題,使用改進模擬退火算法優(yōu)化初始簇中心點的方法以加速聚類;針對噪聲對分類效果的影響,在聚類簇中采用拉依達準則進行噪聲點判斷和去噪處理的方法;引入旨在提高效率的歐氏距離樣本選擇方法,由簇中心點快速有效的選出異類樣本中最近和最遠的樣本點。仿真測試結(jié)果表明:通過改進數(shù)據(jù)稀疏方法稀疏率達... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 引言
    1.2 物聯(lián)網(wǎng)安全簡介
        1.2.1 物聯(lián)網(wǎng)的安全體系架構(gòu)
        1.2.2 物聯(lián)網(wǎng)感知層面臨的網(wǎng)絡(luò)攻擊
        1.2.3 物聯(lián)網(wǎng)感知層安全需求分析
        1.2.4 物聯(lián)網(wǎng)感知節(jié)點的結(jié)構(gòu)
    1.3 選題背景與意義
        1.3.1 物聯(lián)網(wǎng)入侵檢測國內(nèi)外研究現(xiàn)狀
        1.3.2 物聯(lián)網(wǎng)入侵檢測研究的意義
    1.4 論文主要研究工作
    1.5 論文主要結(jié)構(gòu)
第2章 物聯(lián)網(wǎng)入侵檢測相關(guān)理論基礎(chǔ)
    2.1 物聯(lián)網(wǎng)入侵檢測相關(guān)概念
        2.1.1 入侵檢測基本原理
        2.1.2 物聯(lián)網(wǎng)入侵檢測分類
        2.1.3 物聯(lián)網(wǎng)入侵檢測的必要性
    2.2 物聯(lián)網(wǎng)入侵檢測的困難性
        2.2.1 傳統(tǒng)入侵檢測面臨的問題
        2.2.2 物聯(lián)網(wǎng)入侵檢測與傳統(tǒng)入侵檢測的區(qū)別
        2.2.3 物聯(lián)網(wǎng)入侵檢測的設(shè)計要求
    2.3 物聯(lián)網(wǎng)感知層入侵檢測相關(guān)技術(shù)
        2.3.1 基于多代理技術(shù)的物聯(lián)網(wǎng)入侵檢測技術(shù)
        2.3.2 基于機器學習的物聯(lián)網(wǎng)入侵檢測技術(shù)
    2.4 最小二乘支持向量機
        2.4.1 支持向量機原理
        2.4.2 最小二乘支持向量機(LSSVM)原理
        2.4.3 核函數(shù)
        2.4.4 最小二乘支持向量機的稀疏性
    2.5 本章小結(jié)
第3章 基于稀疏化LSSVM的物聯(lián)網(wǎng)感知層入侵檢測
    3.1 物聯(lián)網(wǎng)感知層入侵檢測系統(tǒng)總體設(shè)計
        3.1.1 物聯(lián)網(wǎng)感知節(jié)點的入侵檢測部署
        3.1.2 LSSVM模型在物聯(lián)網(wǎng)入侵檢測中的合理性
        3.1.3 物聯(lián)網(wǎng)入侵檢測框架設(shè)計
        3.1.4 物聯(lián)網(wǎng)入侵檢測稀疏算法的思路
    3.2 基于數(shù)據(jù)稀疏的LSSVM算法
        3.2.1 數(shù)據(jù)稀疏對于節(jié)點入侵檢測的必要性
        3.2.2 K均值算法(K-means)
        3.2.3 改進的K均值算法
        3.2.4 基于拉依達準則的去噪方法
        3.2.5 基于歐式距離的樣本選擇方法
        3.2.6 基于KPE_LSSVM數(shù)據(jù)稀疏流程
    3.3 基于核矩陣稀疏的LSSVM算法
        3.3.1 核矩陣稀疏對于節(jié)點入侵檢測的必要性
        3.3.2 過濾式特征選擇(Relief)
        3.3.3 傳統(tǒng)剪枝法
        3.3.4 樣本個體的分類重要性
        3.3.5 非支持向量的信息轉(zhuǎn)移
        3.3.6 RP_LSSVM稀疏化原理
    3.4 基于混合稀疏化LSSVM的物聯(lián)網(wǎng)感知層入侵檢測模型
        3.4.1 物聯(lián)網(wǎng)稀疏化LSSVM入侵檢測模型
        3.4.2 物聯(lián)網(wǎng)入侵檢測的數(shù)據(jù)預處理模塊
        3.4.3 物聯(lián)網(wǎng)LSSVM入侵檢測分類器設(shè)計
        3.4.4 物聯(lián)網(wǎng)入侵檢測決策模塊
    3.5 本章小結(jié)
第4章 實驗結(jié)果及分析
    4.1 實驗數(shù)據(jù)和評估指標
        4.1.1 實驗數(shù)據(jù)
        4.1.2 評估指標
    4.2 數(shù)據(jù)預處理及參數(shù)選取
        4.2.1 數(shù)據(jù)降維
        4.2.2 最優(yōu)參數(shù)的選取
    4.3 基于數(shù)據(jù)稀疏LSSVM的入侵檢測性能評估
        4.3.1 改進的K均值聚類
        4.3.2 稀疏比例的優(yōu)化選取
        4.3.3 檢測性能比較
    4.4 基于核矩陣稀疏LSSVM的入侵檢測性能評估
        4.4.1 RP_LSSVM方法的檢測效果
        4.4.2 不同分類器的稀疏化比較
        4.4.3 支持向量與誤差的關(guān)系
    4.5 混合稀疏模型與不同入侵檢測模型的對比
        4.5.1 NSL-KDD數(shù)據(jù)集實驗結(jié)果對比分析
        4.5.2 工業(yè)控制網(wǎng)絡(luò)數(shù)據(jù)集實驗結(jié)果對比分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 主要結(jié)論
    5.2 后續(xù)研究工作
參考文獻
致謝
攻讀碩士學位期間取得的成果


【參考文獻】：
期刊論文
[1]船用物聯(lián)網(wǎng)中的網(wǎng)絡(luò)入侵行為分析檢測[J]. 王星,黃巍,孫騰.  艦船科學技術(shù). 2019(10)
[2]基于自步學習的無線傳感網(wǎng)入侵檢測集成算法[J]. 代建建,陶洋,章思青.  計算機工程與設(shè)計. 2019(05)
[3]基于實用拜占庭容錯的物聯(lián)網(wǎng)入侵檢測方法[J]. 潘建國,李豪.  計算機應用. 2019(06)
[4]基于區(qū)塊鏈的物聯(lián)網(wǎng)安全技術(shù)研究[J]. 黃澤源,孔勇平,張會炎.  移動通信. 2018(12)
[5]基于機器學習的工業(yè)物聯(lián)網(wǎng)入侵檢測技術(shù)研究[J]. 王展鵬,吳紅光,馬蓓嬌,周夢甜,張曼雨,周馳航.  智能物聯(lián)技術(shù). 2018(02)
[6]基于改進單類支持向量機的工業(yè)控制網(wǎng)絡(luò)入侵檢測方法[J]. 劉萬軍,秦濟韜,曲海成.  計算機應用. 2018(05)
[7]面向物聯(lián)網(wǎng)的Sybil入侵防御系統(tǒng)設(shè)計與實現(xiàn)[J]. 陳琳,李勇,王磊.  計算機測量與控制. 2017(03)
[8]WSN中基于博弈理論的入侵檢測研究[J]. 桂明倩,劉宴兵,周瞭永.  重慶郵電大學學報(自然科學版). 2016(03)
[9]一種適用于物聯(lián)網(wǎng)的入侵檢測方法[J]. 王建,鄧開發(fā).  軟件導刊. 2016(06)
[10]一種基于分布式移動代理的協(xié)同網(wǎng)絡(luò)入侵檢測模型[J]. 陳建國,李四海.  蘭州文理學院學報(自然科學版). 2016(03)

碩士論文
[1]基于PSO-ELM的物聯(lián)網(wǎng)入侵檢測系統(tǒng)研究[D]. 何林海.湖北工業(yè)大學 2018
[2]基于棧式降噪自編碼器降維的物聯(lián)網(wǎng)分層入侵檢測模型[D]. 宋永強.蘭州大學 2018
[3]基于無線傳感器網(wǎng)絡(luò)入侵檢測的研究[D]. 康亞楠.杭州電子科技大學 2018
[4]基于物聯(lián)網(wǎng)的被動式入侵檢測方法研究[D]. 李小宇.華南理工大學 2017
[5]基于流形正則化超限學習機的入侵檢測研究[D]. 楊迪海.內(nèi)蒙古大學 2016
[6]基于鏈路的無線傳感器網(wǎng)絡(luò)蟲洞入侵檢測[D]. 周霄源.南京大學 2013
[7]基于神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)入侵檢測系統(tǒng)研究[D]. 孫慶波.暨南大學 2012



本文編號：3525533