基于异常流量分析的网络攻击检测技术研究

发布时间：2020-11-20 12:05

　　 随着互联网技术的飞速发展,网络攻击所带来的危害也愈加严重,如何在被攻击之前快速、准确、全面的进行识别和防护,对于确保信息系统的安全运行和减少经济损失具有重大的现实意义。本文基于异常流量的发现和分析,对网络攻击检测技术进行研究,旨在进一步提高网络攻击检测模型的及时性和准确性。具体工作如下:(1)提出基于网络流量预测的异常流量检测模型。该模型首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用具有全局寻优能力的粒子群算法(Particle Swarm Optimization,PSO)对Elman神经网络初始参数进行优化,然后利用训练好的Elman神经网络对网络流量进行预测;最后采用基于K最近邻(K Nearest Neighbor,KNN)累计距离的异常流量检测方法,检测预测流量的异常情况。网络流量预测精度的提高,使得异常流量的检测具有及时性。(2)提出基于异常流量的网络攻击检测模型。该模型将异常流量检测模型检测到的异常流量作为输入,首先利用极限学习机(Extreme Learning Machine,ELM)算法将线性不可分的样本从低维空间影射到高维特征空间,使其变为线性可分;然后用KNN算法对影射到高维特征空间的样本进行分类,建立攻击检测分类器,识别网络攻击类型。实验结果表明,相比其他攻击检测方法,本文提出的基于异常流量分析的网络攻击检测模型提高了入侵检测正确率,能够有效识别网络攻击类型,确保信息系统安全。
【学位单位】：中国民航大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP393.08
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 异常流量检测研究现状
        1.2.2 网络攻击检测研究现状
        1.2.3 网络流量预测研究现状
    1.3 本文研究内容
    1.4 论文结构
第二章 相关理论研究
    2.1 网络异常流量
        2.1.1 蠕虫病毒
        2.1.2 分布式拒绝服务攻击
        2.1.3 扫描攻击
        2.1.4 远程通信
    2.2 相关算法介绍
        2.2.1 PSO-Elman算法分析
        2.2.2 ELM-KNN算法分析
    2.3 本章小结
第三章 基于网络流量预测的异常流量检测
    3.1 网络流量预测模型
        3.1.1 相空间重构
        3.1.2 C-C方法
    3.2 实验部分
        3.2.1 实验数据与环境
        3.2.2 数据预处理
        3.2.3 相空间重构和PSO参数选定
        3.2.4 结果与分析
    3.3 异常流量检测
    3.4 本章小结
第四章 基于异常流量的网络攻击检测模型
    4.1 基于ELM-KNN的网络攻击检测模型
    4.2 实验部分
        4.2.1 实验数据及实验环境
        4.2.2 冗余特征的筛选
        4.2.3 KNN算法的K值的选择
        4.2.4 ELM隐含层节点个数和激励函数的选择
        4.2.5 实验结果与分析
    4.3 本章总结
第五章 总结与展望
    5.1 全文总结
    5.2 展望
致谢
参考文献
作者简介

【参考文献】

相关期刊论文 前10条

1 郭成华;;基于KDDCUP99数据集的入侵检测系统的设计与实现[J];网络安全技术与应用;2017年12期

2 田中大;李树江;王艳红;王向东;;高斯过程回归补偿ARIMA的网络流量预测[J];北京邮电大学学报;2017年06期

3 卢诚波;林银河;梅颖;;基于ELM特征映射的kNN算法[J];复旦学报(自然科学版);2016年05期

4 李宇翀;魏东;罗兴国;钱叶魁;刘凤荣;;基于多元增量分析的全网络在线异常检测方法[J];上海交通大学学报;2016年09期

5 张立仿;张喜平;;量子遗传算法优化BP神经网络的网络流量预测[J];计算机工程与科学;2016年01期

6 左青云;陈鸣;王秀磊;刘波;;一种基于SDN的在线流量异常检测方法[J];西安电子科技大学学报;2015年01期

7 唐舟进;彭涛;王文博;;一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法[J];物理学报;2014年13期

8 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

9 孙轶轩;邵春福;计寻;朱亮;;基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J];清华大学学报(自然科学版);2014年03期

10 张萌;张沪寅;叶刚;;延迟时间和嵌入维数联合优化的网络流量预测[J];计算机工程与应用;2014年04期

相关博士学位论文 前2条

1 高妮;网络安全多维动态风险评估关键技术研究[D];西北大学;2016年

2 邬书跃;基于支持向量机和贝叶斯分析技术的入侵检测方法研究[D];中南大学;2012年

相关硕士学位论文 前5条

1 王有金;数据挖掘在入侵检测系统中的应用研究[D];吉林大学;2017年

2 彭徽;基于改进动态聚类算法的两步入侵检测研究[D];安徽理工大学;2016年

3 宋若宁;海量数据环境下的网络流量异常检测的研究[D];北京邮电大学;2015年

4 贺其备;基于支持向量机的入侵检测研究[D];东北师范大学;2013年

5 张来武;改进的BP神经网络与D-S证据理论融合在入侵检测系统中的应用[D];云南大学;2013年

本文编号：2891391