基于BiLSTM和DNN的网络入侵检测研究

发布时间：2023-05-13 23:29

　　随着互联网技术的不断创新、发展与应用,网络对人们的工作和生活的影响也日益加深,虽然极大的丰富了人们的社会生活,但是,也带来了一些不容忽视的安全问题。它不仅与个人或企业的利益有关,同时也关系到国家的安全。入侵检测在维护网络安全过程中扮演着极其重要的角色,一直以来都深受安全界广大学者的关注。伴随着5G、IPv6等各种技术的广泛应用,网络入侵的方式也越来越复杂多样,传统的入侵检测技术已不足以应对海量、复杂、不平衡的入侵数据。而机器学习作为当前的研究热点之一,也已经开始在入侵检测领域有所应用。基于此,本文在对入侵检测和机器学习等相关知识进行充分了解后,提出一种融合了注意力机制的基于双向长短期记忆(BiLSTM)和深度神经网络(DNN)的网络入侵检测模型,以期探索一种新的入侵检测方法。本文的主要工作包括:(1)对入侵检测研究的背景、意义及现状进行了详细分析,针对NSL-KDD实验数据集存在不平衡的问题,提出从数据和算法两个层面进行改进,利用混合采样技术和Focal Loss损失函数对模型进行优化。(2)针对现有模型缺乏对入侵数据特征前后关联性的考量以及多特征的问题,提出了利用双向长短期记忆网络提...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文结构安排
2 相关理论研究
    2.1 网络入侵检测
        2.1.1 基本概念
        2.1.2 入侵检测系统的分类
    2.2 不平衡数据集
        2.2.1 基本定义
        2.2.2 处理方法
    2.3 机器学习
    2.4 基于机器学习的入侵检测总体框架
        2.4.1 基本框架
        2.4.2 数据收集
        2.4.3 数据预处理
        2.4.4 模型训练
        2.4.5 模型验证
    2.5 本章小结
3 基于BiLSTM和 DNN的网络入侵检测研究
    3.1 基于神经网络的入侵检测研究
        3.1.1 神经网络
        3.1.2 基本框架
    3.2 基于循环神经网络的入侵检测研究
        3.2.1 循环神经网络
        3.2.2 基本框架
    3.3 基于BiLSTM和 DNN的入侵检测方法
        3.3.1 神经网络在入侵检测应用中的问题
        3.3.2 基于BiLSTM和 DNN的入侵检测模型
        3.3.3 模型优化
    3.4 本章小结
4 实验分析
    4.1 实验方法
        4.1.1 实验数据集
        4.1.2 数据预处理
        4.1.3 评价指标
    4.2 实验与分析
        4.2.1 实验环境
        4.2.2 实验参数设置
        4.2.3 五分类实验
        4.2.4 二分类实验
        4.2.5 结果分析
    4.3 本章小结
5 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
致谢
附录1 攻读硕士学位期间参与的项目和发表的论文
附录2 主要英文缩写语对照表



本文编号：3816740