發(fā)布時間：2023-11-10 19:49

　　隨著互聯(lián)網(wǎng)的發(fā)展,網(wǎng)絡安全問題日益嚴峻,如何高效檢測網(wǎng)絡攻擊行為需求日益緊迫。因此,入侵檢測技術應運而生。將傳統(tǒng)的機器學習方法應用于入侵檢測系統(tǒng)一直是研究者們研究的方向。但是,機器學習方法有很強的特征依賴性,這對研究者們又提出了一個新的難題。近年來,深度學習的興起為網(wǎng)絡入侵檢測提供了新的方向。因此本文在卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN)入侵檢測系統(tǒng)研究的基礎上,提出了基于特征圖譜算法的卷積神經(jīng)網(wǎng)絡入侵檢測模型。論文主要的工作與創(chuàng)新有如下四點:1、論文闡述了深度學習和入侵檢測系統(tǒng)相關的概念和國內外研究現(xiàn)狀;討論了深度學習和入侵檢測系統(tǒng)結合應用和傳統(tǒng)入侵檢測模型相比的優(yōu)勢;分析了深度學習中卷積神經(jīng)網(wǎng)絡應用于入侵檢測系統(tǒng)如何解決的現(xiàn)有入侵檢測系統(tǒng)泛化能力不強、訓練過慢等問題。2、論文介紹了基于卷積神經(jīng)網(wǎng)絡入侵檢測系統(tǒng)的設計架構。研究了NSL-KDD數(shù)據(jù)集,并對其進行歸一化、標準化處理。提出了基于特征圖的卷積神經(jīng)網(wǎng)絡入侵檢測模型,并做了隨機森林(Random Forest,RF)、支持向量機(Support Vector Machine,SVM)...

【文章頁數(shù)】：57 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
    1.2 研究問題的提出
    1.3 深度學習與入侵檢測
        1.3.1 深度學習概述與分類
        1.3.2 入侵檢測概述與分類
    1.4 國內外入侵檢測研究現(xiàn)狀
    1.5 文章組織架構
        1.5.1 研究內容
        1.5.2 內容框架
第2章 基于卷積神經(jīng)網(wǎng)絡入侵檢測模型的研究
    2.1 基于卷積神經(jīng)網(wǎng)絡IDS模型架構
    2.2 NSL-KDD數(shù)據(jù)集研究
        2.2.1 數(shù)據(jù)集介紹
        2.2.2 數(shù)據(jù)集預處理
    2.3 卷積神經(jīng)網(wǎng)絡入侵檢測模型設計
        2.3.1 卷積神經(jīng)網(wǎng)絡設計
        2.3.2 卷積神經(jīng)網(wǎng)絡入侵檢測模型設計
    2.4 實驗對比與分析
    2.5 本章小結
第3章 基于特征圖譜算法的卷積神經(jīng)網(wǎng)絡入侵檢測模型研究
    3.1 基于特征圖譜算法的卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡IDS模型架構
    3.2 特征圖譜獲得模塊實現(xiàn)
        3.2.1 SWCC權重矩陣算法實現(xiàn)
        3.2.2 FWM權重矩陣算法實現(xiàn)
        3.2.3 特征圖譜獲取
    3.3 入侵檢測模型性能指標
    3.4 數(shù)據(jù)集均衡采集模型
        3.4.1 數(shù)據(jù)集均衡采集模型設計
        3.4.2 實驗對比
    3.5 SWCC-CNN,FWM-CNN模型設計
    3.6 實驗研究與對比
        3.6.1 SWCC-CNN、FWM-CNN模型參數(shù)研究實驗
        3.6.2 SWCC-CNN、FWM-CNN模型性能對比實驗
    3.7 本章小結
第4章 系統(tǒng)驗證平臺實現(xiàn)
    4.1 平臺功能需求分析
    4.2 系統(tǒng)平臺搭建
        4.2.1 模塊功能詳細介紹
        4.2.2 驗證平臺設計方案
    4.3 平臺驗證實驗步驟
    4.4 模型驗證試驗對比
    4.5 本章小結
第5章 結束語
    5.1 論文總結
    5.2 未來展望
致謝
參考文獻
附錄



本文編號：3862199