隨著“互聯網+”的快速發(fā)展和新一代信息基礎設施的建設,工業(yè)物聯網入侵行為愈見普遍,如何確保工業(yè)物聯網安全是當前研究熱點之一。入侵檢測系統在預防工業(yè)物聯網安全威脅和保護其免受攻擊方面發(fā)揮著重要作用。隨著未知攻擊不斷涌現以及樣本數據分布不平衡,傳統入侵檢測算法不能充分挖掘工業(yè)物聯網中行為特征信息,基于深度學習的智能算法為該問題的解決提供了新途徑。本文綜合分析深度學習和工業(yè)物聯網入侵檢測,針對現有入侵檢測特征模糊、檢測效率低、誤報率高、泛化能力差等問題。利用深度學習強大的數據處理能力和特征學習能力,對基于深度學習的工業(yè)物聯網入侵檢測方法進行深入研究,開展的主要工作和貢獻如下:首先,研究基于卷積神經網絡的工業(yè)物聯網入侵檢測算法,將入侵檢測等效為圖像分類問題,首先將網絡連接一維數據轉化為二維數據;然后構建在Lenet-5模型改進上的Lenet-7網絡結構,該結構使用雙卷積和單池化對數據進行降維和特征提取,并引入Relu非線性激活函數,加快網絡收斂速度,且該模型引入Dropout方法防止網絡過擬合。其次,將多尺度Inception結構引入卷積神經網絡,通過加深加寬網絡和優(yōu)化訓練損失,加強特征提取能...

【文章頁數】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 工業(yè)物聯網安全的研究現狀
        1.2.2 工業(yè)物聯網入侵檢測研究現狀
    1.3 當前存在的主要問題
    1.4 主要研究內容
    1.5 論文組織架構
第2章 工業(yè)物聯網安全相關知識
    2.1 工業(yè)物聯網概述
        2.1.1 工業(yè)物聯網介紹
        2.1.2 工業(yè)物聯網體系架構
    2.2 工業(yè)物聯網安全分析
        2.2.1 工業(yè)物聯網安全威脅
        2.2.2 工業(yè)物聯網入侵檢測要求
    2.3 工業(yè)物聯網入侵檢測技術
        2.3.1 工業(yè)物聯網入侵檢測模型架構
        2.3.2 工業(yè)物聯網入侵檢測基本類型
        2.3.3 典型的工業(yè)物聯網入侵檢測方法
    2.4 本章小結
第3章 基于卷積神經網絡工業(yè)物聯網入侵檢測
    3.1 工業(yè)物聯網入侵檢測模型框架
    3.2 基于Lenet-5工業(yè)物聯網入侵檢測模型
    3.3 改進Lenet-5入侵檢測模型
        3.3.1 Lenet-5工業(yè)物聯網入侵檢測模型的不足
        3.3.2 改進Lenet-5工業(yè)物聯網入侵檢測模型
    3.4 實驗數據集及預處理
        3.4.1 數據集分析
        3.4.2 數據預處理
    3.5 本章小結
第4章 基于Inception-CNN工業(yè)物聯網入侵檢測
    4.1 相關理論闡述
        4.1.1 Inception模塊
        4.1.2 Batch_Normalization方法
    4.2 Inception-CNN入侵檢測模型
        4.2.1 Inception-CNN的設計思想
        4.2.2 Inception-CNN網絡結構
    4.3 樣本數據處理
        4.3.1 數據特征選擇
        4.3.2 不平衡數據集處理方法
        4.3.3 Focal-Loss損失函數
    4.4 基于Inception-CNN工業(yè)物聯網入侵檢測方案
    4.5 本章小結
第5章 實驗結果及對比分析
    5.1 工業(yè)入侵檢測模型結構
        5.1.1 工業(yè)控制網絡數據集
        5.1.2 模型評估指標
    5.2 入侵檢測性能評估
        5.2.1 卷積神經網絡工業(yè)物聯網入侵檢測結果
        5.2.2 Inception-CNN工業(yè)物聯網入侵檢測結果
        5.2.3 優(yōu)化Inception-CNN工業(yè)物聯網入侵檢測結果
    5.3 不同入侵檢測模型的對比
        5.3.1 NSL-KDD數據集實驗結果對比分析
        5.3.2 工業(yè)控制網絡數據集實驗結果對比分析
    5.4 本章小結
第6章 總結與展望
    6.1 本文總結
    6.2 未來展望
參考文獻
致謝
攻讀碩士學位期間從事的科研工作及取得的成果



本文編號：3777380