基于机器学习的网络异常流量检测研究

发布时间：2021-03-28 22:17

　　信息通信技术对当今世界的社会福祉,经济增长和国家安全产生了重大影响。然而,信息通信技术也被一些有不良企图的人用于危害网络安全,谋取不法利益。禁止这些有害的网络活动是国际优先事项和重要研究领域之一,而其首要任务就是识别网络流量中的攻击活动,即使用入侵检测系统（Intrusion Detection System,IDS）进行网络异常检测。如今存在许多阻碍网络异常检测技术发展的问题,本文将着重关注其中的两个问题,第一,由于网络异常检测的数据集存在高维度、非线性的特点,限制了传统机器学习算法效果;第二,由于隐私原因,十分缺乏已标注的公开数据集。本文针对这两个问题提出并实现了三个基于机器学习的方法用于入侵检测系统。第一个是使用基于分类回归树（Classification and Regression Tree,CART）决策树的递归式特征消除（Recursive Feature Elimination,RFE）对网络异常流量数据集进行特征提取。使用RFE进行特征提取后能够减少数据集中的冗余以及无效特征,进而提升传统机器学习算法效果,并大幅缩短训练耗时。通过参考特征提取后保留的特征,可以在收集流... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

在神经络中使Dropout

Dropout实现[1]

基于 监督学习的异常流量 的 种变体，结构如图5取分布的均值和标准差，有近似的概率分布。原始器 成的隐含变量 Z 则约束变量的概率密度分，x 表 观察变量，z 表往会遇到后验概率不可计，VAE 在编码器中引 x)，并且假设识别模型 q作为VAE的编码器部分 qφ(z|x) 和真实后验分布似度，并通过优化约束


本文编号：3106336