互聯(lián)網(wǎng)和網(wǎng)絡(luò)通信技術(shù)的高速發(fā)展給人們的生活和生產(chǎn)帶來了極大的變化。人們?cè)谙硎芫W(wǎng)絡(luò)帶來便利的同時(shí),網(wǎng)絡(luò)安全問題也變得日益嚴(yán)峻,這給網(wǎng)絡(luò)環(huán)境正常運(yùn)行和隱私保護(hù)帶來了巨大的挑戰(zhàn)。網(wǎng)絡(luò)流量的異常檢測已經(jīng)成為了解決網(wǎng)絡(luò)安全問題的一個(gè)關(guān)鍵手段。本論文將深度學(xué)習(xí)引入到入侵檢測領(lǐng)域,首先提出了一個(gè)基于深度自適應(yīng)特征的學(xué)習(xí)算法框架用于流量異常檢測。該算法能夠根據(jù)網(wǎng)絡(luò)流量特征維度進(jìn)行深度模型的層數(shù)和每層神經(jīng)元個(gè)數(shù)的確定。其次在算法中合理設(shè)置特征參數(shù),利用遷移學(xué)習(xí)的優(yōu)勢和深度模型對(duì)特征強(qiáng)大的學(xué)習(xí)能力,使深度神經(jīng)模型對(duì)原始多維度的數(shù)據(jù)能進(jìn)一步學(xué)習(xí)獲得新的抽象特征。本論文還結(jié)合深度學(xué)習(xí)和傳統(tǒng)淺層機(jī)器學(xué)習(xí)的優(yōu)勢,將學(xué)習(xí)到的新特征使用傳統(tǒng)機(jī)器學(xué)習(xí)分類器作最后的入侵檢測分類。其次,本論文提出了一個(gè)深度非對(duì)稱卷積編碼器用于網(wǎng)絡(luò)入侵檢測。該模型結(jié)合了自編碼器和卷積自編碼器的優(yōu)點(diǎn),通過保留卷積自編碼器的編碼器部分,通過多層隱藏層堆疊形成深度非對(duì)稱結(jié)構(gòu)。該深度卷積非對(duì)稱編碼器能夠用于特征提取并且結(jié)合隨機(jī)森林做進(jìn)一步的入侵檢測分類。本文在實(shí)驗(yàn)中使用了NSL-KDD,UNSW-NB15和CICIDS2017三個(gè)網(wǎng)絡(luò)入侵檢測的數(shù)據(jù)...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1SVM分類示意圖

基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量入侵檢測研究2.4網(wǎng)絡(luò)入侵檢測常用算法互聯(lián)網(wǎng)環(huán)境下，入侵檢測系統(tǒng)通過把網(wǎng)絡(luò)正常行為和異常行為進(jìn)行分類從而達(dá)到入侵檢測的目的。入侵檢測領(lǐng)域近些年來利用機(jī)器學(xué)習(xí)方法對(duì)網(wǎng)絡(luò)流量進(jìn)行分類檢測也變成一個(gè)熱點(diǎn)。2.4.1SVM算法分析支持向量機(jī)(SupportVecto....

圖2.2KNN分類示意圖

第2章網(wǎng)絡(luò)入侵檢測系統(tǒng)介紹2.4.2KNN算法分析K近鄰算法(k-NearestNeighbor,KNN)示意圖如圖2.2所示，算法思想是把一個(gè)樣本劃分在特征空間中的k個(gè)相鄰樣本是屬于某一個(gè)類別，那么該樣本也屬于這一個(gè)類別。KNN算法在決策時(shí)都會(huì)計(jì)算當(dāng)前樣本與k個(gè)數(shù)據(jù)點(diǎn)的歐式距離....

圖2.3決策樹進(jìn)行西瓜分類的過程

基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量入侵檢測研究較快。對(duì)于數(shù)據(jù)多重共線性問題可以使用正則化進(jìn)行解決。但是缺點(diǎn)是模型容易過擬合造成準(zhǔn)確度不是很高，對(duì)多類特征數(shù)據(jù)處理起來不太友好。2.4.4DecisionTree算法分析在統(tǒng)計(jì)學(xué)和和數(shù)據(jù)挖掘中頻繁使用的決策樹(DecisionTree,DT)是一....

圖2.4K-means分類示意圖

基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量入侵檢測研究圖2.4K-means分類示意圖Figure2.4K-meansclassification容量的數(shù)據(jù)時(shí)，該算法有比較好的伸縮性，往往局部達(dá)到最優(yōu)的時(shí)候已經(jīng)有最好的效果了。缺點(diǎn)就是人們需要去定義k的大小，而且設(shè)定不同的k也會(huì)得到不同的結(jié)果。對(duì)算法....

本文編號(hào)：3928861