基于深度学习的入侵检测模型的研究与实现

发布时间：2020-06-28 11:14

【摘要】：当前环境下的网络数据呈现出比以往更为庞大、复杂和多维的特性,传统的机器学习方法面临复杂的高维数据需要手动提取大量特征,特征提取过程复杂且计算量大,不利于当前入侵检测实时性和准确性的要求。深度学习在处理复杂数据方面具有较好的优势,它可以自动的从数据中提取更好的表示特征。基于此,本文将深度卷积神经网络和深度自编码网络应用于入侵检测中,希望能为当前入侵检测的研究提供新的思路。基于深度卷积神经网络的入侵检测方法中,首先提出了一种将一维数据转换为二维“图像数据”的方法;然后针对转换之后的二维数据设计了一个深度卷积神经网络模型,该模型使用双卷积层和单池化层对数据进行降维处理,并引入了Relu函数作为新的非线性激活代替传统的神经网络中常用的Sigmoid或Tanh函数,来加快网络的收敛速度,且该模型中引入了Dropout方法,来防止网络模型发生过度拟合现象;最后通过构建完成的深度卷积神经网络模型对转换之后的图像数据进行训练和识别。实验证明,该方法有效的提高了检测准确率和降低了误报率。基于深度自编码网络的入侵检测方法中,首先由多个自编码网络叠加构成深度自编码网络模型,将网络特征数据作为模型的输入,使模型能够智能的逐层抽取网络数据的分布规则,从而获得新的低维特征数据集;然后通过BP算法对学习到的低维数据进行分类识别。文中通过在自编码网络中加入正则化修正,防止训练出的自编码网络直接复制输入信息而影响训练效果;且在输入数据中添加噪声,通过学习原始数据和输出数据重构误差达到去噪的目的,从而使得学习到的新的特征数据具有更强的鲁棒性。实验结果表明,该方法非常适合高维数据的信息抽取,在提高准确率的同时,降低了误报率和检测时间。
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP393.08
【图文】：

通用入侵检测系统

入侵检测系统分类图

【参考文献】

相关期刊论文 前6条

1 李春林;黄月江;王宏;牛长喜;;一种基于深度学习的网络入侵检测方法[J];信息安全与通信保密;2014年10期

2 杨雅辉;黄海珍;沈晴霓;吴中海;张英;;基于增量式GHSOM神经网络模型的入侵检测研究[J];计算机学报;2014年05期

3 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期

4 赵飒飒;;可视化入侵检测系统分析与设计[J];煤炭技术;2011年09期

5 刘莘;张永平;万艳丽;;决策树算法在入侵检测中的应用分析及改进[J];计算机工程与设计;2006年19期

6 肖道举,毛辉,陈晓苏;BP神经网络在入侵检测中的应用[J];华中科技大学学报(自然科学版);2003年05期

本文编号：2732943