基于深度学习的船舶工业网络入侵检测研究

发布时间：2021-02-05 20:00

　　随着工业互联网的进一步推进,船舶工业网络系统面临着更大的挑战。为进一步提高船舶工业网络的安全和稳定,网络入侵检测至关重要。本文提出基于深度学习的船舶工业网络入侵检测方法,采用字典数的方法对多种数据流量收集创建,利用针对船舶网络改进的深度学习算法进行船舶网络数据流的特征分层提取,并采用瀑布型融合方法将不同层的特征向量进行特征融合。利用softmax进行分类,划分为3个危险等级,在低危、中危、高危3种情况,实现网络入侵检测。现场测试结果表明,基于深度学习的船舶工业网络入侵检测模型的准确率较高,大大提高了网络入侵检测效率,弥补了传统技术无法检测未知入侵的弱点。 

【文章来源】：舰船科学技术. 2020,42(09)北大核心

【文章页数】：3 页

【部分图文】：

船舶工业网络系统Fig.1Shipindustrynetworksystem该

i);θ)=1∑kj=1eθTjx(i)eθT1x(i)eθT2x(i)...eθTkx(i)，(1)θ∈Rn+1x(i)其中，，识别为工况j的概率p(y(i)=1|x(i);θ)=eθTjx(i)∑kl=1eθTlx(i)。(2)(hθ(x(i))式中：)为k行1列的向量，每一行元素为当前图1船舶工业网络系统Fig.1Shipindustrynetworksystem图2网络安全评估框架Fig.2Networksecurityassessmentframework图3深度学习基本结构图Fig.3Basicstructureofdeeplearning·182·舰船科学技术第42卷

jx(i)eθT1x(i)eθT2x(i)...eθTkx(i)，(1)θ∈Rn+1x(i)其中，，识别为工况j的概率p(y(i)=1|x(i);θ)=eθTjx(i)∑kl=1eθTlx(i)。(2)(hθ(x(i))式中：)为k行1列的向量，每一行元素为当前图1船舶工业网络系统Fig.1Shipindustrynetworksystem图2网络安全评估框架Fig.2Networksecurityassessmentframework图3深度学习基本结构图Fig.3Basicstructureofdeeplearning·182·舰船科学技术第42卷

【参考文献】：
期刊论文
[1]船舶网络入侵风险等级估算研究[J]. 李聪,贾红军.  舰船科学技术. 2018(12)
[2]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[3]网络入侵检测系统的设计与实现[J]. 章昱,李腊元.  武汉理工大学学报(交通科学与工程版). 2004(05)
[4]基于支持向量机的网络入侵检测[J]. 李辉,管晓宏,昝鑫,韩崇昭.  计算机研究与发展. 2003(06)

博士论文
[1]支持向量机算法及其在网络入侵检测中的应用[D]. 贾银山.大连海事大学 2004



本文编号：3019494