計(jì)算機(jī)網(wǎng)絡(luò)具有開放性和互連性,由于網(wǎng)絡(luò)在設(shè)計(jì)之初對(duì)安全性考慮不足,致使網(wǎng)絡(luò)易受黑客、計(jì)算機(jī)病毒和其他惡意的攻擊。入侵檢測(cè)作為一種主動(dòng)防御技術(shù),在網(wǎng)絡(luò)安全領(lǐng)域占有重要地位。傳統(tǒng)的入侵檢測(cè)技術(shù)面臨著準(zhǔn)確率低、檢測(cè)效率低和誤報(bào)率高的問題,如何提高入侵檢測(cè)的準(zhǔn)確率和效率以及降低入侵檢測(cè)的誤報(bào)率,仍是安全人員面臨的一個(gè)重要課題。本論文以網(wǎng)絡(luò)入侵檢測(cè)為研究?jī)?nèi)容,提出了一種基于深度學(xué)習(xí)和概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型,并結(jié)合粒子群算法的優(yōu)化理念,用粒子群算法確定深度自動(dòng)編碼器的結(jié)構(gòu)和概率神經(jīng)網(wǎng)絡(luò)的散布常數(shù),以提高入侵檢測(cè)的效率和準(zhǔn)確率。主要研究?jī)?nèi)容包括:（1）入侵檢測(cè)數(shù)據(jù)分析和預(yù)處理:對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行了深入分析,分析了入侵檢測(cè)數(shù)據(jù)的特點(diǎn),對(duì)比了入侵檢測(cè)數(shù)據(jù)集KDD99和NSL-KDD的區(qū)別和聯(lián)系;對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行了預(yù)處理,包括數(shù)據(jù)清洗、編碼、抽取和整合以及歸一化。（2）基于概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型及優(yōu)化:重點(diǎn)研究了概率神經(jīng)網(wǎng)絡(luò)算法,針對(duì)概率神經(jīng)網(wǎng)絡(luò)的散布常數(shù)取值問題,采用粒子群算法尋找散布常數(shù)的最優(yōu)值,以提高概率神經(jīng)網(wǎng)絡(luò)的分類效果;使用Matlab對(duì)模型進(jìn)行了構(gòu)建,利用數(shù)據(jù)集進(jìn)行了模型的性能測(cè)試,... 

【文章頁數(shù)】：83 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 入侵檢測(cè)技術(shù)研究現(xiàn)狀
        1.2.2 特征降維技術(shù)研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 入侵檢測(cè)概述
    2.1 網(wǎng)絡(luò)安全與入侵檢測(cè)
    2.2 入侵檢測(cè)系統(tǒng)模型
        2.2.1 Denning模型
        2.2.2 通用入侵檢測(cè)模型
    2.3 入侵檢測(cè)技術(shù)分類
        2.3.1 基于誤用的入侵檢測(cè)技術(shù)
        2.3.2 基于異常的入侵檢測(cè)技術(shù)
    2.4 基于智能算法的入侵檢測(cè)算法
    2.5 本章小結(jié)
第三章 數(shù)據(jù)分析及預(yù)處理
    3.1 KDD99數(shù)據(jù)集
        3.1.1 數(shù)據(jù)集數(shù)據(jù)分布
        3.1.2 連接記錄特征表示
    3.2 NSL-KDD數(shù)據(jù)集
    3.3 數(shù)據(jù)預(yù)處理
    3.4 本章小結(jié)
第四章 基于概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型
    4.1 概率神經(jīng)網(wǎng)絡(luò)
        4.1.1 概率神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        4.1.2 概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
        4.1.3 概率神經(jīng)網(wǎng)絡(luò)的Matlab實(shí)現(xiàn)
    4.2 概率神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化
        4.2.1 粒子群算法基本思想
        4.2.2 粒子群算法優(yōu)化散布常數(shù)流程
    4.3 概率神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型的構(gòu)建
        4.3.1 輸入層數(shù)據(jù)歸一化
        4.3.2 確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 預(yù)測(cè)樣本類別
        4.3.4 基于概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型
    4.4 實(shí)驗(yàn)及對(duì)比分析
        4.4.1 評(píng)價(jià)指標(biāo)
        4.4.2 確定散布常數(shù)
        4.4.3 粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 基于深度學(xué)習(xí)和概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型
    5.1 人工神經(jīng)網(wǎng)絡(luò)
        5.1.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型
        5.1.2 BP學(xué)習(xí)算法
    5.2 深度自動(dòng)編碼器
        5.2.1 自動(dòng)編碼器
        5.2.2 自動(dòng)編碼器的學(xué)習(xí)算法
        5.2.3 深度自動(dòng)編碼器的構(gòu)建
        5.2.4 深度自動(dòng)編碼器節(jié)點(diǎn)的優(yōu)化問題
    5.3 基于深度自動(dòng)編碼器和概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型
        5.3.1 深度自動(dòng)編碼器結(jié)構(gòu)的確定
        5.3.2 DAE-PNN模型的構(gòu)建
    5.4 基于PCA-PNN的入侵檢測(cè)模型的實(shí)驗(yàn)對(duì)比
        5.4.1 主成分分析
        5.4.2 基于PCA-PNN的入侵檢測(cè)模型
    5.5 本章小結(jié)
第六章 基于DAE-PNN的入侵檢測(cè)原型系統(tǒng)
    6.1 總體設(shè)計(jì)
    6.2 模塊設(shè)計(jì)
        6.2.1 數(shù)據(jù)獲取模塊
        6.2.2 數(shù)據(jù)解析模塊
        6.2.3 DAE-PNN檢測(cè)模塊
        6.2.4 響應(yīng)模塊
    6.3 系統(tǒng)測(cè)試
    6.4 總結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)入侵檢測(cè)的機(jī)器學(xué)習(xí)算法評(píng)估與比較[J]. 胡臻偉,施勇,薛質(zhì).  通信技術(shù). 2017(12)
[2]基于貝葉斯分類的Web服務(wù)質(zhì)量預(yù)測(cè)方法研究[J]. 任迪,萬健,殷昱煜,周麗,高敏.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2017(06)
[3]基于優(yōu)化數(shù)據(jù)處理的深度信念網(wǎng)絡(luò)模型的入侵檢測(cè)方法[J]. 陳虹,萬廣雪,肖振久.  計(jì)算機(jī)應(yīng)用. 2017(06)
[4]基于貝葉斯攻擊圖的動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估模型[J]. 高妮,高嶺,賀毅岳,雷艷婷,高全力.  四川大學(xué)學(xué)報(bào)(工程科學(xué)版). 2016(01)
[5]基于神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 汪潔.  計(jì)算機(jī)應(yīng)用與軟件. 2013(05)
[6]入侵檢測(cè)系統(tǒng)的研究[J]. 隋新,楊喜權(quán),陳棉書,侯剛.  科學(xué)技術(shù)與工程. 2012(33)
[7]基于Deep Belief Nets的中文名實(shí)體關(guān)系抽取[J]. 陳宇,鄭德權(quán),趙鐵軍.  軟件學(xué)報(bào). 2012(10)
[8]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權(quán)文.  控制與決策. 2012(02)
[9]一種改進(jìn)的模糊C均值聚類算法[J]. 李雷,羅紅旗,丁亞麗.  計(jì)算機(jī)技術(shù)與發(fā)展. 2009(12)
[10]高維數(shù)據(jù)特征降維研究綜述[J]. 胡潔.  計(jì)算機(jī)應(yīng)用研究. 2008(09)

碩士論文
[1]基于RBF神經(jīng)網(wǎng)絡(luò)的機(jī)械臂運(yùn)動(dòng)控制算法及應(yīng)用研究[D]. 張翠.蘭州交通大學(xué) 2014



本文編號(hào)：3694185