基于RBM-BP模型的入侵检测方法研究

发布时间：2017-05-27 05:23

  本文关键词：基于RBM-BP模型的入侵检测方法研究，由笔耕文化传播整理发布。

【摘要】：随着世界范围内计算机和网络的广泛应用,网络结构越来越复杂,网络攻击的方式也越来越多,因此,准确识别网络攻击,防止网络恶意行为,越来越受到人们的关注。目前的入侵检测主要面临两个问题,一方面网络流量中的数据越来越复杂且多变,且伴随着噪声,这要求入侵检测方法具有很好的抗噪能力和学习能力;另一方面,网络攻击的技巧和模式越来越多变,随着数据量的不断增加,原来的入侵检测模型可能无法很好地检测新数据。因而面对模式多变的网络攻击,一个合格的入侵检测方法要有很强的学习能力和自适应能力,同时也要能够快速处理高维复杂数据。在当前的研究中,常见的入侵检测方法主要有基于统计的入侵检测方法、基于数据挖掘的入侵检测方法、基于机器学习的入侵检测方法以及基于人工神经网络的入侵检测方法。作为典型的机器学习算法,人工神经网络在入侵检测领域有着广泛应用。BP神经网络是经典的神经网络模型,它有很强的学习能力和非线性能力,但是在处理高维的复杂数据时,BP神经网络收敛速度慢,效率低,导致入侵检测的准确率不高。RBM具有很强的特征学习能力,能够发现数据潜在的特征,从而实现对高维数据的降维。RBM通常被应用于文本识别、图片处理、模式识别等领域,很少有将其应用于入侵检测。综上所述,本文提出了基于RBM-BP模型的入侵检测方法。针对复杂的高维的网络流量数据,利用RBM很强的特征学习能力,对高维数据进行无监督地学习,去除冗余特征,减小噪声数据的影响,保留有用信息,降低数据复杂度;然后将非线性能力很强的BP神经网络作分类器,可以保证入侵检测的准确性。本文通过实验验证了RBM-BP模型的有效性,从准确率、误报率和漏报率等指标验证了整体模型的分类性能,然后考察了该模型在多分类情况下对每种类别的数据的识别能力,最后将RBM-BP模型与基于Fisher准则的BP模型进行对比,证明了RBM-BP模型的有效性。本文提出的模型结合了RBM和BP神经网络各自的优点,可以避免人工标注所需的时间代价,降低数据复杂度,同时整个模型具有较高的准确率,较低的误报率和漏报率。
【关键词】：入侵检测 人工神经网络 入侵检测系统 BP神经网络 RBM
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.08
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-15
• 1.1 研究背景11-12
• 1.2 研究现状12-13
• 1.3 研究内容13-14
• 1.4 本文组织结构14-15
• 第2章 入侵检测15-19
• 2.1 入侵检测概述15
• 2.2 入侵检测技术15-17
• 2.3 经典的入侵检测框架17-18
• 2.3.1 Denning模型17-18
• 2.3.2 CIDF18
• 2.4 本章小结18-19
• 第3章 人工神经网络19-32
• 3.1 概述19-21
• 3.1.1 神经元结构19-20
• 3.1.2 人工神经网络的原理20-21
• 3.2 BP神经网络21-23
• 3.3 受限玻尔兹曼机（RBM）23-30
• 3.3.1 玻尔兹曼机（Boltzmann machine，BM）23-24
• 3.3.2 RBM的网络结构24-25
• 3.3.3 能量函数25-26
• 3.3.4 学习算法26-30
• 3.4 本章小结30-32
• 第4章 RBM-BP模型在入侵检测中的应用32-51
• 4.1 基于人工神经网络的入侵检测框架32-36
• 4.1.1 目前入侵检测系统存在的问题32-33
• 4.1.2 基于人工神经网络的入侵检测框架33-34
• 4.1.3 模块设计34-36
• 4.2 RBM-BP模型36-40
• 4.2.1 设计原理36
• 4.2.2 模型结构36-37
• 4.2.3 模型学习37-39
• 4.2.4 参数设置39-40
• 4.3 实验数据和评价标准40-42
• 4.3.1 实验数据集介绍40-42
• 4.3.2 实验评价标准42
• 4.4 实验设计42-50
• 4.4.1 RBM网络结构的确定42-44
• 4.4.2 实验结果分析44-50
• 4.5 本章小结50-51
• 第5章 总结与展望51-53
• 5.1 总结51
• 5.2 展望51-53
• 参考文献53-56
• 作者简介及在学期间所取得的科研成果56-57
• 致谢57

【相似文献】

中国硕士学位论文全文数据库 前1条

1 张振;基于RBM-BP模型的入侵检测方法研究[D];吉林大学;2016年

  本文关键词：基于RBM-BP模型的入侵检测方法研究，由笔耕文化传播整理发布。

，

本文编号：398957