基于可持续性集成学习的入侵检测方案

发布时间：2024-06-27 19:58

　　随着基于网络的计算服务和应用的迅速发展,互联网面临越来越多的安全威胁,因此入侵检测系统作为网络安全深层防御的重要组成部分显得尤为重要。入侵检测系统通过检测和分析网络流量或主机行为,发现和识别系统中的入侵行为。为了检测大规模数据流量下的异常行为,基于机器学习的入侵检测系统成为目前研究的热点,此类方法通过机器学习技术在大量的数据中提取特征,并针对已标记的数据集建立分类模型,实现对网络流量或者主机行为的分类,从而检测系统中的入侵行为。通过对研究现状的分析和研究,本文发现并总结了目前入侵检测领域研究仍然存在的两个问题,并针对性的分别提出了两种基于集成学习的入侵检测方案。因此本文的主要研究工作包括:(1)发现目前的研究仍然存在两个问题。1)现有的集成学习方案没有考虑检测模型对攻击类型差异化的敏感性,导致了检测模型的准确率较低,同时现有集成学习模型的更新方式没有考虑数据知识的积累与传递,导致模型稳定性较差;2)现有入侵检测方案均基于具有充足标记或未标记训练数据集的假设,而这种假设在面对新的网络环境时难以成立。(2)针对目前集成学习存在的缺陷,设计了基于可持续性集成学习的入侵检测方案。在模型建立阶段...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文内容安排
第二章 基于集成学习的入侵检测技术
    2.1 入侵检测的基本架构
    2.2 集成学习的常见分类
    2.3 现有入侵检测方案研究
        2.3.1 基于集成学习的入侵检测方案
        2.3.2 基于半监督学习的入侵检测方案
    2.4 现有研究存在的主要问题
    2.5 本章小结
第三章 基于可持续性集成学习的入侵检测方案
    3.1 方案基本架构
    3.2 基于可持续性集成学的入侵检测方案
        3.2.1 个体学习器的训练及输出
        3.2.2 融合模型的训练与决策
        3.2.3 模型的可持续性更新
    3.3 实验验证与分析
        3.3.1 实验环境
        3.3.2 实验数据描述
        3.3.3 方案的有效性分析
        3.3.4 方案的稳定性和可持续性
        3.3.5 训练集大小和模型数量对结果的影响
    3.4 本章小结
第四章 基于集成迁移学习的入侵检测方案
    4.1 方案概述与架构
    4.2 基于集成迁移学习的入侵检测方案
        4.2.1 基于少量标记数据的场景
        4.2.2 基于少量未标记数据的场景
    4.3 实验验证与分析
        4.3.1 实验环境
        4.3.2 实验数据描述
        4.3.3 模拟不同网络环境底层流量的差异
        4.3.4 场景1方案结果
        4.3.5 场景2方案结果
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3995869