當(dāng)今的網(wǎng)絡(luò)環(huán)境,每天都會產(chǎn)生大量復(fù)雜度高的數(shù)據(jù)。為解決這些高維數(shù)據(jù)給入侵檢測造成的數(shù)據(jù)特征提取不當(dāng)、準(zhǔn)確率低、速率慢等問題,提出一種基于深度置信網(wǎng)絡(luò)和對支持向量機(jī)的入侵檢測模型DBN-TSVM-5。首先對入侵檢測數(shù)據(jù)集KDDCUP99進(jìn)行字符映射和數(shù)據(jù)歸一化,獲取可以用于入侵實(shí)驗(yàn)的標(biāo)準(zhǔn)數(shù)據(jù)集。然后使用由五層受限玻爾茲曼機(jī)組成的深度置信網(wǎng)絡(luò)模型對標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行特征提取,獲得低維且具有表達(dá)初始樣本特征的入侵?jǐn)?shù)據(jù)。提出一種多分類TSVM-5分類器,對降維后的五類入侵?jǐn)?shù)據(jù)進(jìn)行檢測識別。最后,建立仿真實(shí)驗(yàn),驗(yàn)證DBN-TSVM-5模型是一種行之有效的方法。特征數(shù)據(jù)直接關(guān)系到入侵檢測實(shí)驗(yàn)的結(jié)果,因此選取有效的特征學(xué)習(xí)方法是入侵檢測中不能忽略的一個重要步驟。通過特征降維實(shí)驗(yàn)對比,結(jié)果顯示深度置信網(wǎng)絡(luò)的檢測準(zhǔn)確率比主成分分析、線性判別分析和T-分布領(lǐng)域嵌入三種方法分別平均提高了25.85%、25.77%和1.19%。分析支持向量機(jī)和對支持向量機(jī)在入侵檢測中的性能,實(shí)驗(yàn)表明對支持向量機(jī)處理較大規(guī)模的數(shù)據(jù)集比支持向量機(jī)更具優(yōu)勢,檢測準(zhǔn)確率平均提高了1.38%。在對支持向量機(jī)的基礎(chǔ)之上提出一種TSVM-5算法... 

【文章來源】：華北理工大學(xué)河北省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

網(wǎng)民規(guī)模調(diào)查Fig.1Thesurveyofnetizenscale

華北理工大學(xué)碩士學(xué)位論文-42-表8正常樣本被誤認(rèn)為攻擊樣本的數(shù)目（條）Table8Numberofnormalsamplesmistakedforattacksamples數(shù)據(jù)集測試集中正常數(shù)據(jù)數(shù)目被認(rèn)為是攻擊樣本的數(shù)據(jù)數(shù)目SVMTSVMData11106151141Data21268160143Data31427168147Data41588160150表7中3、4列的數(shù)值分別除以第2列相應(yīng)位置上的數(shù)據(jù)，是SVM和TSVM檢測識別的準(zhǔn)確率，表8中3、4列的數(shù)值分別除以第2列相應(yīng)位置上的數(shù)據(jù)，是SVM和TSVM檢測識別的誤報率。最后結(jié)果如表9和圖23所示。表9向量機(jī)檢測對比實(shí)驗(yàn)結(jié)果（%）Table9Vectormachinedetectioncomparisonexperimentresults數(shù)據(jù)集ACFASVMTSVMSVMTSVMData185.3187.2813.6912.75Data286.9287.7012.5411.28Data388.5289.7211.7710.30Data489.7390.5510.099.44圖23向量機(jī)檢測對比實(shí)驗(yàn)結(jié)果Fig.23Vectormachinedetectioncomparisonexperimentresults從結(jié)果看，TSVM比SVM的準(zhǔn)確率平均提高了1.38%，誤報率平均降低了

華北理工大學(xué)碩士學(xué)位論文-52-表13DBN層數(shù)設(shè)置Table13DBNlayersettingDBN層數(shù)234567重構(gòu)誤差0.01670.0166380.0165420.0164940.0165270.016785準(zhǔn)確率71.582.686.791.590.191.0圖29DBN不同層數(shù)重構(gòu)誤差Fig.29DBNdifferentlayernumberreconstructionerror圖30DBN不同層數(shù)準(zhǔn)確率Fig.30DBNdifferentlayeraccuracy

【參考文獻(xiàn)】：
期刊論文
[1]基于AE-BNDNN模型的入侵檢測方法[J]. 江頡,高甲,陳鐵明.  小型微型計(jì)算機(jī)系統(tǒng). 2019(08)
[2]基于KNN離群點(diǎn)檢測和隨機(jī)森林的多層入侵檢測方法[J]. 任家東,劉新倩,王倩,何海濤,趙小林.  計(jì)算機(jī)研究與發(fā)展. 2019(03)
[3]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)入侵檢測分類模型構(gòu)建與優(yōu)化研究[J]. 陳紅松,陳京九.  電子與信息學(xué)報. 2019(06)
[4]基于DBN和TSVM的混合入侵檢測模型研究[J]. 張克君,鮮敏.  計(jì)算機(jī)應(yīng)用與軟件. 2018(05)
[5]防火墻技術(shù)在計(jì)算機(jī)網(wǎng)絡(luò)安全中的應(yīng)用[J]. 牧軍,山發(fā)軍,李虎.  科技創(chuàng)新導(dǎo)報. 2017(32)
[6]多分類孿生支持向量機(jī)研究進(jìn)展[J]. 丁世飛,張健,張謝鍇,安悅瑄.  軟件學(xué)報. 2018(01)
[7]海量數(shù)據(jù)環(huán)境下用于入侵檢測的深度學(xué)習(xí)方法[J]. 高妮,賀毅岳,高嶺.  計(jì)算機(jī)應(yīng)用研究. 2018(04)
[8]面向入侵檢測系統(tǒng)的Deep Belief Nets模型[J]. 高妮,高嶺,賀毅岳.  系統(tǒng)工程與電子技術(shù). 2016(09)
[9]基于免疫優(yōu)化原理的計(jì)算機(jī)網(wǎng)絡(luò)入侵檢測系統(tǒng)[J]. 范峻彤.  數(shù)字技術(shù)與應(yīng)用. 2014(08)
[10]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)

碩士論文
[1]基于大數(shù)據(jù)和深度學(xué)習(xí)的實(shí)時入侵檢測關(guān)鍵技術(shù)研究[D]. 伏煦.中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院) 2018
[2]基于深度信念網(wǎng)絡(luò)的入侵檢測研究[D]. 萬廣雪.遼寧工程技術(shù)大學(xué) 2018
[3]基于機(jī)器學(xué)習(xí)的入侵檢測算法研究[D]. 王淇藝.北京郵電大學(xué) 2018
[4]入侵檢測中基于機(jī)器學(xué)習(xí)的流量異常模式識別研究[D]. 付丹陽.北京郵電大學(xué) 2018
[5]基于深度學(xué)習(xí)特征提取的高校投入產(chǎn)出績效評價研究[D]. 姚麗.華南理工大學(xué) 2017
[6]基于RBM-BP模型的入侵檢測方法研究[D]. 張振.吉林大學(xué) 2016
[7]基于DBN的移動自組織網(wǎng)絡(luò)入侵檢測技術(shù)研究[D]. 李強(qiáng).電子科技大學(xué) 2015
[8]基于深度學(xué)習(xí)的入侵檢測[D]. 楊昆朋.北京交通大學(xué) 2015
[9]基于對支持向量機(jī)的入侵檢測技術(shù)研究[D]. 聶盼盼.南京航空航天大學(xué) 2012



本文編號：3063077