基于自动编码器的入侵检测系统研究与实现

发布时间：2023-04-19 21:29

　　随着时代的进步和科技的发展,网络安全越来越成为人们关注的焦点。在当今时代,网络攻击规模大、类型多、变化快,网络安全问题不断攀升。因此,在大数据时代如何从海量网络流量中鉴别出异常行为是当前研究的热点和重点。针对这类问题,本文提出了一种基于自动编码器的入侵检测系统。首先,从海量网络流量包中提取网络特征,并对其进行数据预处理,为后续模块提供较好的数据。其次,对数据预处理后的数据经随机森林算法进行特征选取,选择出最佳特征。再次,根据数据的稀疏性将最佳特征分为稀疏矩阵和稠密矩阵,分别从对稀疏矩阵和稠密矩阵中的正常样本中选取部分样本,并对其特征使用AP聚类算法计算特征相似性,将其划分为若干个特征分组。最后,分别对稀疏矩阵和稠密矩阵中的正常样本建立模型,以自动编码器为基础,对正常样本进行训练计算异常得分,用K-means或GMM对异常得分进行分类。最后,通过实验对文中提出的方法进行了功能测试与性能测试,验证了系统的可信性、可行性。实验结果显示,本文方法通过特征选取和特征学习来处理训练集,从而大大减少了学习时间,基于编码器的方法有效地提高攻击检测的预测精度,相比较于传统入侵检测方法具有便于训练、适用性...

【文章页数】：81 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
    1.2 论文主要工作
        1.2.1 研究目的与意义
        1.2.2 研究内容
    1.3 论文章节安排
第二章 相关背景原理与技术介绍
    2.1 入侵检测系统
        2.1.1 入侵检测系统的概念
        2.1.2 入侵检测系统的功能
        2.1.3 入侵检测系统的分类
    2.2 入侵检测技术
        2.2.1 异常检测技术
        2.2.2 误用检测技术
    2.3 关于入侵检测系统的国内外研究现状
        2.3.1 国内研究现状
        2.3.2 国外研究现状
        2.3.3 入侵检测系统的问题
    2.4 本章小结
第三章 系统架构分析与设计
    3.1 系统整体规划
    3.2 数据预处理模块的分析与设计
        3.2.1 数据预处理的必要性
        3.2.2 数据预处理的方法
    3.3 特征选取模块的分析与设计
        3.3.1 特征选取
        3.3.2 随机森林
    3.4 特征分组模块的分析与设计
        3.4.1 特征分组
        3.4.2 近邻传播算法
    3.5 异常检测模块的分析与设计
        3.5.1 自动编码器
        3.5.2 均方根误差
        3.5.3 异常检测结构
        3.5.4 选择聚类算法
    3.6 本章小结
第四章 基于自动编码器的入侵检测系统的实现
    4.1 数据预处理模块的实现
        4.1.1 数据预处理方法
    4.2 特征选取模块的实现
        4.2.1 特征选取模块的流程
        4.2.2 特征选取模块的核心代码
    4.3 特征分组模块的实现
        4.3.1 特征分组模块的流程
        4.3.2 特征分组模块的核心代码
    4.4 异常检测模块的实现
        4.4.1 异常检测模块的流程
        4.4.2 异常检测模块的核心代码
    4.5 本章小结
第五章 实验分析
    5.1 测试环境和数据集
        5.1.1 测试环境
        5.1.2 数据集介绍
        5.1.3 数据集统计
        5.1.4 数据集特征
    5.2 特征选择分析
        5.2.1 特者选择的结果
        5.2.2 特征选择的测试
    5.3 特征分组分析
        5.3.1 特征分组的结果
        5.3.2 特征分组的分析
    5.4 异常检测分析
        5.4.1 准确率、精确率、召回率和F1指标
        5.4.2 AUC面积
        5.4.3 混淆矩阵
        5.4.4 运行时间
    5.5 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
附录1 攻读硕士学位期间的成果
附录2 攻读硕士学位期间参加的科研项目
附录3 特征选取实验结果
致谢



本文编号：3794242