基于深度学习和对支持向量机的入侵检测研究
发布时间：2021-03-04 10:44
当今的网络环境,每天都会产生大量复杂度高的数据。为解决这些高维数据给入侵检测造成的数据特征提取不当、准确率低、速率慢等问题,提出一种基于深度置信网络和对支持向量机的入侵检测模型DBN-TSVM-5。首先对入侵检测数据集KDDCUP99进行字符映射和数据归一化,获取可以用于入侵实验的标准数据集。然后使用由五层受限玻尔兹曼机组成的深度置信网络模型对标准数据进行特征提取,获得低维且具有表达初始样本特征的入侵数据。提出一种多分类TSVM-5分类器,对降维后的五类入侵数据进行检测识别。最后,建立仿真实验,验证DBN-TSVM-5模型是一种行之有效的方法。特征数据直接关系到入侵检测实验的结果,因此选取有效的特征学习方法是入侵检测中不能忽略的一个重要步骤。通过特征降维实验对比,结果显示深度置信网络的检测准确率比主成分分析、线性判别分析和T-分布领域嵌入三种方法分别平均提高了25.85%、25.77%和1.19%。分析支持向量机和对支持向量机在入侵检测中的性能,实验表明对支持向量机处理较大规模的数据集比支持向量机更具优势,检测准确率平均提高了1.38%。在对支持向量机的基础之上提出一种TSVM-5算法...
【文章来源】：华北理工大学河北省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
网民规模调查Fig.1Thesurveyofnetizenscale
华北理工大学硕士学位论文-42-表8正常样本被误认为攻击样本的数目（条）Table8Numberofnormalsamplesmistakedforattacksamples数据集测试集中正常数据数目被认为是攻击样本的数据数目SVMTSVMData11106151141Data21268160143Data31427168147Data41588160150表7中3、4列的数值分别除以第2列相应位置上的数据，是SVM和TSVM检测识别的准确率，表8中3、4列的数值分别除以第2列相应位置上的数据，是SVM和TSVM检测识别的误报率。最后结果如表9和图23所示。表9向量机检测对比实验结果（%）Table9Vectormachinedetectioncomparisonexperimentresults数据集ACFASVMTSVMSVMTSVMData185.3187.2813.6912.75Data286.9287.7012.5411.28Data388.5289.7211.7710.30Data489.7390.5510.099.44图23向量机检测对比实验结果Fig.23Vectormachinedetectioncomparisonexperimentresults从结果看，TSVM比SVM的准确率平均提高了1.38%，误报率平均降低了
华北理工大学硕士学位论文-52-表13DBN层数设置Table13DBNlayersettingDBN层数234567重构误差0.01670.0166380.0165420.0164940.0165270.016785准确率71.582.686.791.590.191.0图29DBN不同层数重构误差Fig.29DBNdifferentlayernumberreconstructionerror图30DBN不同层数准确率Fig.30DBNdifferentlayeraccuracy
【参考文献】：
期刊论文
[1]基于AE-BNDNN模型的入侵检测方法[J]. 江颉,高甲,陈铁明. 小型微型计算机系统. 2019(08)
[2]基于KNN离群点检测和随机森林的多层入侵检测方法[J]. 任家东,刘新倩,王倩,何海涛,赵小林. 计算机研究与发展. 2019(03)
[3]基于循环神经网络的无线网络入侵检测分类模型构建与优化研究[J]. 陈红松,陈京九. 电子与信息学报. 2019(06)
[4]基于DBN和TSVM的混合入侵检测模型研究[J]. 张克君,鲜敏. 计算机应用与软件. 2018(05)
[5]防火墙技术在计算机网络安全中的应用[J]. 牧军,山发军,李虎. 科技创新导报. 2017(32)
[6]多分类孪生支持向量机研究进展[J]. 丁世飞,张健,张谢锴,安悦瑄. 软件学报. 2018(01)
[7]海量数据环境下用于入侵检测的深度学习方法[J]. 高妮,贺毅岳,高岭. 计算机应用研究. 2018(04)
[8]面向入侵检测系统的Deep Belief Nets模型[J]. 高妮,高岭,贺毅岳. 系统工程与电子技术. 2016(09)
[9]基于免疫优化原理的计算机网络入侵检测系统[J]. 范峻彤. 数字技术与应用. 2014(08)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于大数据和深度学习的实时入侵检测关键技术研究[D]. 伏煦.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]基于深度信念网络的入侵检测研究[D]. 万广雪.辽宁工程技术大学 2018
[3]基于机器学习的入侵检测算法研究[D]. 王淇艺.北京邮电大学 2018
[4]入侵检测中基于机器学习的流量异常模式识别研究[D]. 付丹阳.北京邮电大学 2018
[5]基于深度学习特征提取的高校投入产出绩效评价研究[D]. 姚丽.华南理工大学 2017
[6]基于RBM-BP模型的入侵检测方法研究[D]. 张振.吉林大学 2016
[7]基于DBN的移动自组织网络入侵检测技术研究[D]. 李强.电子科技大学 2015
[8]基于深度学习的入侵检测[D]. 杨昆朋.北京交通大学 2015
[9]基于对支持向量机的入侵检测技术研究[D]. 聂盼盼.南京航空航天大学 2012
本文编号：3063077
【文章来源】：华北理工大学河北省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
网民规模调查Fig.1Thesurveyofnetizenscale
华北理工大学硕士学位论文-42-表8正常样本被误认为攻击样本的数目（条）Table8Numberofnormalsamplesmistakedforattacksamples数据集测试集中正常数据数目被认为是攻击样本的数据数目SVMTSVMData11106151141Data21268160143Data31427168147Data41588160150表7中3、4列的数值分别除以第2列相应位置上的数据，是SVM和TSVM检测识别的准确率，表8中3、4列的数值分别除以第2列相应位置上的数据，是SVM和TSVM检测识别的误报率。最后结果如表9和图23所示。表9向量机检测对比实验结果（%）Table9Vectormachinedetectioncomparisonexperimentresults数据集ACFASVMTSVMSVMTSVMData185.3187.2813.6912.75Data286.9287.7012.5411.28Data388.5289.7211.7710.30Data489.7390.5510.099.44图23向量机检测对比实验结果Fig.23Vectormachinedetectioncomparisonexperimentresults从结果看，TSVM比SVM的准确率平均提高了1.38%，误报率平均降低了
华北理工大学硕士学位论文-52-表13DBN层数设置Table13DBNlayersettingDBN层数234567重构误差0.01670.0166380.0165420.0164940.0165270.016785准确率71.582.686.791.590.191.0图29DBN不同层数重构误差Fig.29DBNdifferentlayernumberreconstructionerror图30DBN不同层数准确率Fig.30DBNdifferentlayeraccuracy
【参考文献】：
期刊论文
[1]基于AE-BNDNN模型的入侵检测方法[J]. 江颉,高甲,陈铁明. 小型微型计算机系统. 2019(08)
[2]基于KNN离群点检测和随机森林的多层入侵检测方法[J]. 任家东,刘新倩,王倩,何海涛,赵小林. 计算机研究与发展. 2019(03)
[3]基于循环神经网络的无线网络入侵检测分类模型构建与优化研究[J]. 陈红松,陈京九. 电子与信息学报. 2019(06)
[4]基于DBN和TSVM的混合入侵检测模型研究[J]. 张克君,鲜敏. 计算机应用与软件. 2018(05)
[5]防火墙技术在计算机网络安全中的应用[J]. 牧军,山发军,李虎. 科技创新导报. 2017(32)
[6]多分类孪生支持向量机研究进展[J]. 丁世飞,张健,张谢锴,安悦瑄. 软件学报. 2018(01)
[7]海量数据环境下用于入侵检测的深度学习方法[J]. 高妮,贺毅岳,高岭. 计算机应用研究. 2018(04)
[8]面向入侵检测系统的Deep Belief Nets模型[J]. 高妮,高岭,贺毅岳. 系统工程与电子技术. 2016(09)
[9]基于免疫优化原理的计算机网络入侵检测系统[J]. 范峻彤. 数字技术与应用. 2014(08)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于大数据和深度学习的实时入侵检测关键技术研究[D]. 伏煦.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]基于深度信念网络的入侵检测研究[D]. 万广雪.辽宁工程技术大学 2018
[3]基于机器学习的入侵检测算法研究[D]. 王淇艺.北京邮电大学 2018
[4]入侵检测中基于机器学习的流量异常模式识别研究[D]. 付丹阳.北京邮电大学 2018
[5]基于深度学习特征提取的高校投入产出绩效评价研究[D]. 姚丽.华南理工大学 2017
[6]基于RBM-BP模型的入侵检测方法研究[D]. 张振.吉林大学 2016
[7]基于DBN的移动自组织网络入侵检测技术研究[D]. 李强.电子科技大学 2015
[8]基于深度学习的入侵检测[D]. 杨昆朋.北京交通大学 2015
[9]基于对支持向量机的入侵检测技术研究[D]. 聂盼盼.南京航空航天大学 2012
本文编号：3063077
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3063077.html
