基于RNN-SVM的入侵检测方法研究

发布时间：2022-07-16 14:44

　　网络攻击行为的专业化与复杂化,使得网络安全问题成为一个亟待解决的问题,而入侵检测技术正是解决这一问题的重要手段。虽然已有大量学者做了关于入侵检测技术的研究,但这些研究中或多或少地存在着无法处理海量数据、难以检测变种攻击、漏报率和误报率较高等问题,无法对攻击行为进行有效地检测。为了解决这些问题,设计并实现了一个基于RNN-SVM模型的入侵检测系统。该系统以Hadoop的HDFS文件系统作为数据存储平台,以大数据并行计算框架Spark作为数据预处理平台,以深度学习框架Tensorflow作为模型训练测试平台,有着处理海量数据的能力。通过对入侵检测领域常用的NSL-KDD数据集进行数据清洗、离散特征数值化、特征归一化等数据预处理工作后,使用一种称为属性比例的方法来进行特征选择,可以获得低冗余、低维度的标准数据集。考虑到深度学习强大的特征学习能力,利用深度学习的RNN模型对标准数据集进行特征学习,可以获得刻画攻击行为本质的低维特征,提高对变种攻击的检测能力。同时SVM分类器对低维特征有着良好的分类能力,用它来对降维后的特征进行攻击行为的检测分类,可以降低检测的漏报率和误报率。通过调整RNN模型... 

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究目的及意义
    1.2 国内外研究现状
    1.3 研究目标和所做的工作
    1.4 论文的组织结构
2 数据预处理
    2.1 数据特点
    2.2 数据预处理流程
    2.3 特征选择
    2.4 本章小结
3 基于RNN-SVM的入侵检测
    3.1 RNN-SVM模型
    3.2 RNN特征降维
    3.3 SVM分类
    3.4 参数调整
    3.5 本章小结
4 实验结果及分析
    4.1 实验平台
    4.2 评测标准
    4.3 二分类
    4.4 多分类
    4.5 本章小结
5 总结与展望
    5.1 全文总结
    5.2 存在的问题
    5.3 研究展望
致谢
参考文献


【参考文献】：
期刊论文
[1]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue.  Tsinghua Science and Technology. 2016(01)



本文编号：3662706