当前位置:主页 > 科技论文 > 自动化论文 >

生成式对抗网络在入侵检测中的研究与应用

发布时间:2022-01-28 01:46
  随着网络的发展和信息通信技术的跨越式进步,特别是5G通信技术的大规模商用,网络安全问题面临着重大的考验。入侵检测技术作为一种主动的网络安全防护技术,能够提供给网络系统更加实时、高效、安全的防护,争取在网络系统遭受破坏之前进行相应和拦截。因此入侵检测是网络安全防护中必不可缺的一环。构建入侵检测系统通常是利用机器学习方法训练分类模型,但是目前入侵检测技术的训练样本数据更新慢,机密数据不便公开等因素,对模型准确性有较大的影响。本文研究了国内外入侵检测系统和生成式对抗网络的研究现状以及相关应用方法,在此基础上开展将生成式对抗网络与入侵检测相结合的研究工作。根据生成式对抗神经网络强大的数据生成能力提出了一种将生成式对抗网络用于入侵检测数据生成方法,并且对使用该方法生成的数据与原始数据进行了对比分析。该方法主要有以下主要创新:第一,尝试将计算机视觉中常用的生成式对抗神经网络用于入侵检测数据集的生成,能够解决网络安全中数据隐私性导致入侵训练样本不足和更新慢问题;第二,对因网络流数据采集困难导致数据量少,进而导致训练模型的精度低,提供解决思路;第三,对小样本数据集,能够通过生成网络进行数据生成用以训练... 

【文章来源】:南昌大学江西省211工程院校

【文章页数】:57 页

【学位级别】:硕士

【部分图文】:

生成式对抗网络在入侵检测中的研究与应用


图2.2入侵检测系统架构图??虽然IDS的种类很多,但其总体的工作流程却是相似

工作流程图,入侵检测,入侵检测技术,工作流程图


?第2章相关技术概念???当前网络系统/用户行为??(网络数据流、系统日志、应用日志、审计记录…)??信息收集??知识库?—I?分析弓丨擎????坦as?v?N入侵分析<!?d??异常检测????^仃为模型?^??误用检测???其他???J?I????响应??丨二」??I??图2.3入侵检测工作流程图??2.1.2入侵检测分类??(一)按入侵检测技术分类??入侵检测技术分两类:一是异常入侵检测(AnomalyDetection),二是误用入??侵检测(MisuseDetection)?[24]。异常入侵检测根据统计分析原理,首先总结出正??常操作或数据特征,用确定的值对事件进行定义,监测到网络系统中事件值不在??j?正常事件阈值范围时则认为该事件是异常行为。异常入侵检测系统性能由正常??事件的完备性和系统检测频率决定,不需对每一种入侵事件进行定量,所以能够??I?一定程度上对未知异常行为进行识别。但是其缺点也十分明显,随着正常行为的??积累导致其特征库变得非常庞大,在进行检测时会占用较多的系统资源,影响网??络系统性能;误用检测基于模式匹配原理,IDS会积累异常特征,汇总成异常行??为特征库,当监测到网络中的操作行为或数据流特征与异常库中的特征相匹配??时,则会报异常。误用检测技术采取模式匹配,能明显降低误报率,但漏报率则??会上升。除此之外当异常行为特征发生稍小变化就能导致误用检测性能大幅降??低。??8??

示意图,算法,示意图,生成模型


?第2章相关技术概念???型互相博弈,为了在博弈中胜出,生成模型和判别模型都要不断提高自己的生成??和判别能力,而整个GAN模型的优化目标就是找到生成模型与判别模型之间的??纳什平衡点。??对真实数^??据判断为??real??生成数据??为?fake??V???/??i?k??丨^9? ̄??|?*?*?I??I?I??X"?T??真实数据?生成数据???/?V.??/??|?*?I??I??I??随机噪??声??图2.4?GAN工作示意图??GAN算法如下:??18??I??I??I??

【参考文献】:
期刊论文
[1]基于深度生成模型的半监督入侵检测算法[J]. 曹卫东,许志香,王静.  计算机科学. 2019(03)
[2]改进的聚类算法在入侵检测系统中的应用[J]. 邢瑞康,李成海.  火力与指挥控制. 2019(02)
[3]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相.  中国图象图形学报. 2018(10)
[4]基于深度神经网络的入侵检测方法[J]. 钱铁云,王毅,张明明,刘俊恺.  华中科技大学学报(自然科学版). 2018(01)
[5]基于卷积神经网络的入侵检测算法[J]. 贾凡,孔令智.  北京理工大学学报. 2017(12)
[6]基于人工神经网络的入侵检测方法研究[J]. 张少巍,杨红兰,周飞.  北京印刷学院学报. 2017(07)
[7]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[8]结合主动学习和半监督学习的网络入侵检测算法[J]. 赵建华,刘宁.  西华大学学报(自然科学版). 2015(06)
[9]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)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)

硕士论文
[1]基于卷积神经网络的入侵检测模型研究[D]. 谢潇雨.南京邮电大学 2019
[2]网络入侵检测中的机器学习方法与应用[D]. 胡睿升.北京邮电大学 2019
[3]基于深度学习的入侵检测方法研究[D]. 时东阁.郑州大学 2019
[4]基于生成对抗网络的语音增强方法研究[D]. 王海武.南昌航空大学 2018



本文编号:3613460

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3613460.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户2e6e0***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com