基于深度学习的入侵检测技术研究
发布时间：2021-01-25 12:35
随着计算机和网络信息技术的飞速发展,互联网已经成为人们获取外界信息的重要途径,网络技术的发展也带来了一些网络信息安全问题,因而安全监测变得越来越重要。当前,网络环境不断地复杂化,网络入侵行为的数据出现特征维度高、数据量多和冗余度大等特性。传统的入侵检测模型对特征的选择十分依赖,在处理高维度、非线性的海量数据上存在很大的局限性。深度学习技术可以从海量数据中有效提取入侵数据的深层特征,从而能够更好地检测入侵行为。论文将深度信念网络作为对海量数据进行特征学习的方法,提出一种改进的深度学习模型,并将其应用于入侵检测领域,设计了一种改进的入侵检测模型。论文主要研究工作如下:1、为了解决入侵检测领域海量数据类型复杂以及特征冗余问题,论文利用深度信念网络对数据特征进行学习和降维,采用自适应学习率的方法来提高网络训练的收敛速度和精度,设计了基于自适应学习率的改进的深度信念网络模型（Improved Deep Belief Network,IDBN）,并确定面向入侵检测的特征学习模型的网络结构（122-90-60-40-20）。实验表明IDBN模型的检测准确率比自编码网络、主成分分析-20模型分别提高2...
【文章来源】：江苏大学江苏省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
IDBN模型不同网络深度的入侵检测性能对比
江苏大学工程硕士学位论文29实验将采用输出层节点数为20的IDBN4模型进行特征学习。3.3.2不同学习率对比实验学习率实验的评价指标为重构误差，即IDBN模型重构数据与原始数据之间的误差，见式（3.18）。2"10nmkikikivverrorn(3.18)其中，n表示样本数据的个数，m表示每个RBM网络输入层节点个数，kiv为第k个原始样本数据，"kiv为第k个RBM网络的重构数据。实验参数设置为：指数型衰减学习率的初始值A为0.1，衰减系数为0.05。对比自适应学习率与3个固定的全局学习率（=0.005、=0.05和=0.5）以及指数型衰减学习率方法，实验结果如图3.5所示。图3.5不同学习率的重构误差对比Figure3.5Comparisonofreconstructionerrorsatdifferentlearningrates图3.5可知，在固定的学习率方法中，=0.5时重构误差最大，=0.005时模型的收敛速度缓慢，=0.05时性能较好。与固定学习率方法相比，本文的ALR在迭代次数达到30以后重构误差方面具有较大的优势。与指数型衰减学习率相比，当迭代次数达到50以后，采用ALR方法的DBN模型训练时产生的重构误差趋于稳定并且重构误差最小，表明本文的方法性能最好。
江苏大学工程硕士学位论文39在模型训练中，利用每层RBM网络的可视层和吉布斯采样重构的可视层之间的平均绝对误差作为混合优化算法的适应度函数，分析混合优化算法的迭代次数对适应度值的影响，确定GA-PSO混合优化算法训练的最优迭代次数。图4.5GA-PSO混合优化算法迭代次数与适应度值的变化曲线Figure4.5ChangecurveofGA-PSOhybridoptimizationalgorithmiterationsandfitnessvalue由图4.5可知，GA-PSO混合优化算法的适应度值随迭代次数的增加而降低，当迭代次数超过65后，混合优化算法的适应度值趋于稳定，表明IDBN模型通过混合优化算法获得的初始网络连接权值和偏置值达到最优，在后续实验中，将GA-PSO混合优化算法的迭代次数设置为65。2、IDBN预训练过程的迭代次数图4.6预训练的迭代次数和检测准确率变化曲线Figure4.6Changecurveofpre-trainediterationsanddetectionaccuracy
本文编号：2999234
【文章来源】：江苏大学江苏省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
IDBN模型不同网络深度的入侵检测性能对比
江苏大学工程硕士学位论文29实验将采用输出层节点数为20的IDBN4模型进行特征学习。3.3.2不同学习率对比实验学习率实验的评价指标为重构误差，即IDBN模型重构数据与原始数据之间的误差，见式（3.18）。2"10nmkikikivverrorn(3.18)其中，n表示样本数据的个数，m表示每个RBM网络输入层节点个数，kiv为第k个原始样本数据，"kiv为第k个RBM网络的重构数据。实验参数设置为：指数型衰减学习率的初始值A为0.1，衰减系数为0.05。对比自适应学习率与3个固定的全局学习率（=0.005、=0.05和=0.5）以及指数型衰减学习率方法，实验结果如图3.5所示。图3.5不同学习率的重构误差对比Figure3.5Comparisonofreconstructionerrorsatdifferentlearningrates图3.5可知，在固定的学习率方法中，=0.5时重构误差最大，=0.005时模型的收敛速度缓慢，=0.05时性能较好。与固定学习率方法相比，本文的ALR在迭代次数达到30以后重构误差方面具有较大的优势。与指数型衰减学习率相比，当迭代次数达到50以后，采用ALR方法的DBN模型训练时产生的重构误差趋于稳定并且重构误差最小，表明本文的方法性能最好。
江苏大学工程硕士学位论文39在模型训练中，利用每层RBM网络的可视层和吉布斯采样重构的可视层之间的平均绝对误差作为混合优化算法的适应度函数，分析混合优化算法的迭代次数对适应度值的影响，确定GA-PSO混合优化算法训练的最优迭代次数。图4.5GA-PSO混合优化算法迭代次数与适应度值的变化曲线Figure4.5ChangecurveofGA-PSOhybridoptimizationalgorithmiterationsandfitnessvalue由图4.5可知，GA-PSO混合优化算法的适应度值随迭代次数的增加而降低，当迭代次数超过65后，混合优化算法的适应度值趋于稳定，表明IDBN模型通过混合优化算法获得的初始网络连接权值和偏置值达到最优，在后续实验中，将GA-PSO混合优化算法的迭代次数设置为65。2、IDBN预训练过程的迭代次数图4.6预训练的迭代次数和检测准确率变化曲线Figure4.6Changecurveofpre-trainediterationsanddetectionaccuracy
本文编号：2999234
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/2999234.html
