基于图像处理的深度学习入侵检测研究

发布时间：2023-03-25 02:45

　　随着互联网的发展,用户在享受便捷网络服务的同时,也面临着诸多网络威胁。入侵检测作为一种积极主动的安全防御技术,被广泛应用于网络安全领域。使用机器学习方法进行网络流量异常检测是当前较为主流的入侵检测方法,但是当下爆发的高维网络数据,尤其是多数系统严重依赖于经验来提取有效特征,已经严重限制了系统的性能提升,值得对其进行研究。近年来,基于深度学习的图像分类技术在提取图像特征、数据降维和图像识别等方面表现优异,这也为入侵检测技术的研究带来了新的契机。本文探索将图像分类与端到端学习相结合,尝试对原始流量进行图像处理,并构造合适的深度学习模型,以直接从图像中学习网络数据的时空特征,避免人为因素导致的原始特征信息丢失,以此提高系统的整体性能。本文的主要工作和创新如下:首先,本文提出一种新的原始流量截取方法。该方法与传统特征工程方法不同之处在于,其直接将原始流量中的数据包按照五元组拆分为流,并将流数据向量化,进而提取流中包含丰富特征信息的前1600个字节数据。由于原始流量包含可被分类识别的丰富特征,与特征工程相比,本文的方法可保留更多有用特征信息。后续实验表明,模型从原始流量直接学习特征的方式,减少了...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本论文的主要贡献
    1.4 本论文的结构安排
第二章 相关概念及原理
    2.1 入侵检测系统
        2.1.1 入侵检测系统概述
        2.1.2 入侵检测系统分类
        2.1.3 入侵检测技术
    2.2 深度学习
        2.2.1 深度学习概述
        2.2.2 深度学习基本原理
        2.2.3 深度学习模型
        2.2.4 图像处理技术
    2.3 本章小结
第三章 三种基于图像处理的深度学习入侵检测模型
    3.1 三种模型的总体架构
    3.2 数据预处理和图像处理
        3.2.1 背景介绍
        3.2.2 数据预处理模块
        3.2.3 图像处理模块
    3.3 优化的CNN网络入侵检测模型
        3.3.1 背景介绍
        3.3.2 模型概述
        3.3.3 模型流程
        3.3.4 模型关键技术
    3.4 三层栈式LSTM网络入侵检测模型
        3.4.1 背景介绍
        3.4.2 模型概述
        3.4.3 模型流程
        3.4.4 模型关键技术
    3.5 CNN-LSTM分层网络入侵检测模型
        3.5.1 背景介绍
        3.5.2 模型概述
        3.5.3 模型流程
    3.6 本章小结
第四章 实验与分析
    4.1 实验数据与模型参数设置
        4.1.1 数据集
        4.1.2 评价标准
        4.1.3 模型参数设置
    4.2 实验结果与分析
        4.2.1 本文三种模型与典型深度学习模型的对比分析
        4.2.2 本文三种模型与传统机器学习模型的对比分析
        4.2.3 流量数据包对本文三种模型分类性能的影响
    4.3 本章小结
第五章 总结与展望
    5.1 全文工作总结
    5.2 后续工作展望
致谢
参考文献



本文编号：3770374