基于机器学习的网络入侵检测方法研究

发布时间：2021-03-08 06:15

　　如今各种网络攻击层出不穷,对个人和企业乃至国家带来了严重的危害,网络入侵检测方法提供了一种主动的防御措施。随着人工智能技术的不断进步,基于机器学习的网络入侵检测方法成为学者们的一个研究热点。目前,基于机器学习的网络入侵检测方法存在着如下两个问题:网络入侵检测数据通常是类别不平衡数据,这会导致分类器对少数类攻击的召回率（recall）低;此外,网络入侵检测数据中存在的冗余和不相关的特征会导致网络入侵检测的精度（accuracy）下降。针对网络入侵检测模型对少数类攻击的召回率低的问题,本文提出了一种基于簇内样本平均分类错误率的混合采样算法（Hybrid Sampling Based on Average Classification Error Rate of Samples Within a Cluster,简称HSACEC）。该算法定义了“簇内样本平均分类错误率”的概念,对多数类样本进行聚类后,根据“簇内样本平均分类错误率”采集有代表性的多数类样本;此外,HSACEC算法采用SMOTE（Synthetic Minority Over-sampling Technique）方法对少数类进... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于类别不平衡数据分类的网络入侵检测技术研究现状
        1.2.2 基于特征选择的网络入侵检测技术研究现状
    1.3 论文研究内容
    1.4 论文章节安排
第2章 相关知识及技术
    2.1 网络入侵检测机制
        2.1.1 基于误用的网络入侵检测
        2.1.2 基于异常的网络入侵检测
    2.2 类别不平衡数据的采样方法
        2.2.1 欠采样
        2.2.2 过采样
        2.2.3 混合采样
    2.3 特征选择方法
        2.3.1 根据搜索策略划分特征选择方法
        2.3.2 根据评价准则划分特征选择方法
    2.4 本章小结
第3章 基于HSACEC混合采样算法的网络入侵检测模型
    3.1 引言
    3.2 相关算法和模型
        3.2.1 K-menas算法
        3.2.2 SMOTE算法
        3.2.3 BP神经网络模型
    3.3 提出的HSACEC算法
        3.3.1 基于簇内样本平均分类错误率的欠采样
        3.3.2 HSACEC算法
    3.4 .基于HSACEC的网络入侵检测模型
    3.5 实验与分析
        3.5.1 实验数据与预处理
        3.5.2 评估指标
        3.5.3 对比模型
        3.5.4 实验参数设置
        3.5.5 实验结果与分析
    3.6 本章小结
第4章 基于多评价准则特征选择的网络入侵检测模型
    4.1 引言
    4.2 相关算法和原理
        4.2.1 LVW算法
        4.2.2 OVO分解策略
    4.3 提出的LVW-MECO算法
        4.3.1 M-LVW算法
        4.3.2 LVW-MECO算法
    4.4 基于LVW-MECO的网络入侵检测模型
    4.5 实验与分析
        4.5.1 实验数据与预处理
        4.5.2 评估指标
        4.5.3 对比模型
        4.5.4 实验参数设置
        4.5.5 实验结果与分析
    4.6 本章小结
第5章 总结与展望
    5.1 主要工作和创新点
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果


【参考文献】：
期刊论文
[1]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢.  计算机工程与应用. 2019(24)
[2]不平衡分类的数据采样方法综述[J]. 刘定祥,乔少杰,张永清,韩楠,魏军林,张榕珂,黄萍.  重庆理工大学学报(自然科学). 2019(07)
[3]一种改进型的不平衡数据欠采样算法[J]. 魏力,张育平.  小型微型计算机系统. 2019(05)
[4]融合最大相异系数密度的SMOTE算法的入侵检测方法[J]. 陈虹,肖越,肖成龙,陈建虎.  信息网络安全. 2019(03)
[5]融合杜鹃搜索的灰狼优化算法在网络入侵检测特征选择中的应用[J]. 徐慧,付迎春,刘翔,方策,苏军.  工程科学与技术. 2018(05)
[6]基于深度循环神经网络和改进SMOTE算法的组合式入侵检测模型[J]. 燕昺昊,韩国栋.  网络与信息安全学报. 2018(07)
[7]基于SMOTE和深度信念网络的异常检测[J]. 沈学利,覃淑娟.  计算机应用. 2018(07)
[8]基于OVO分解策略的智能卷烟感官评估方法[J]. 张忠良,雒兴刚,汤建国,唐加福.  东北大学学报(自然科学版). 2018(01)
[9]不平衡数据分类研究及其应用[J]. 叶枫,丁锋.  计算机应用与软件. 2018(01)
[10]一种基于密度的SMOTE方法研究[J]. 王俊红,段冰倩.  智能系统学报. 2017(06)

硕士论文
[1]人工神经网络在环境质量评价和预测中的应用研究[D]. 熊勋.华中科技大学 2009



本文编号：3070563