深度学习在入侵检测中的应用研究
发布时间：2022-10-20 09:08
计算机网络具有开放性和互连性,由于网络在设计之初对安全性考虑不足,致使网络易受黑客、计算机病毒和其他恶意的攻击。入侵检测作为一种主动防御技术,在网络安全领域占有重要地位。传统的入侵检测技术面临着准确率低、检测效率低和误报率高的问题,如何提高入侵检测的准确率和效率以及降低入侵检测的误报率,仍是安全人员面临的一个重要课题。本论文以网络入侵检测为研究内容,提出了一种基于深度学习和概率神经网络的入侵检测模型,并结合粒子群算法的优化理念,用粒子群算法确定深度自动编码器的结构和概率神经网络的散布常数,以提高入侵检测的效率和准确率。主要研究内容包括:（1）入侵检测数据分析和预处理:对入侵检测数据进行了深入分析,分析了入侵检测数据的特点,对比了入侵检测数据集KDD99和NSL-KDD的区别和联系;对入侵检测数据进行了预处理,包括数据清洗、编码、抽取和整合以及归一化。（2）基于概率神经网络的入侵检测模型及优化:重点研究了概率神经网络算法,针对概率神经网络的散布常数取值问题,采用粒子群算法寻找散布常数的最优值,以提高概率神经网络的分类效果;使用Matlab对模型进行了构建,利用数据集进行了模型的性能测试,...
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 入侵检测技术研究现状
1.2.2 特征降维技术研究现状
1.3 主要研究内容
1.4 论文组织结构
第二章 入侵检测概述
2.1 网络安全与入侵检测
2.2 入侵检测系统模型
2.2.1 Denning模型
2.2.2 通用入侵检测模型
2.3 入侵检测技术分类
2.3.1 基于误用的入侵检测技术
2.3.2 基于异常的入侵检测技术
2.4 基于智能算法的入侵检测算法
2.5 本章小结
第三章 数据分析及预处理
3.1 KDD99数据集
3.1.1 数据集数据分布
3.1.2 连接记录特征表示
3.2 NSL-KDD数据集
3.3 数据预处理
3.4 本章小结
第四章 基于概率神经网络的入侵检测模型
4.1 概率神经网络
4.1.1 概率神经网络的基本结构
4.1.2 概率神经网络的学习算法
4.1.3 概率神经网络的Matlab实现
4.2 概率神经网络参数优化
4.2.1 粒子群算法基本思想
4.2.2 粒子群算法优化散布常数流程
4.3 概率神经网络入侵检测模型的构建
4.3.1 输入层数据归一化
4.3.2 确定概率神经网络结构
4.3.3 预测样本类别
4.3.4 基于概率神经网络的入侵检测模型
4.4 实验及对比分析
4.4.1 评价指标
4.4.2 确定散布常数
4.4.3 粒子群算法优化概率神经网络实验
4.5 本章小结
第五章 基于深度学习和概率神经网络的入侵检测模型
5.1 人工神经网络
5.1.1 传统神经网络模型
5.1.2 BP学习算法
5.2 深度自动编码器
5.2.1 自动编码器
5.2.2 自动编码器的学习算法
5.2.3 深度自动编码器的构建
5.2.4 深度自动编码器节点的优化问题
5.3 基于深度自动编码器和概率神经网络的入侵检测模型
5.3.1 深度自动编码器结构的确定
5.3.2 DAE-PNN模型的构建
5.4 基于PCA-PNN的入侵检测模型的实验对比
5.4.1 主成分分析
5.4.2 基于PCA-PNN的入侵检测模型
5.5 本章小结
第六章 基于DAE-PNN的入侵检测原型系统
6.1 总体设计
6.2 模块设计
6.2.1 数据获取模块
6.2.2 数据解析模块
6.2.3 DAE-PNN检测模块
6.2.4 响应模块
6.3 系统测试
6.4 总结
第七章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]网络入侵检测的机器学习算法评估与比较[J]. 胡臻伟,施勇,薛质. 通信技术. 2017(12)
[2]基于贝叶斯分类的Web服务质量预测方法研究[J]. 任迪,万健,殷昱煜,周丽,高敏. 浙江大学学报(工学版). 2017(06)
[3]基于优化数据处理的深度信念网络模型的入侵检测方法[J]. 陈虹,万广雪,肖振久. 计算机应用. 2017(06)
[4]基于贝叶斯攻击图的动态安全风险评估模型[J]. 高妮,高岭,贺毅岳,雷艳婷,高全力. 四川大学学报(工程科学版). 2016(01)
[5]基于神经网络的入侵检测系统的设计与实现[J]. 汪洁. 计算机应用与软件. 2013(05)
[6]入侵检测系统的研究[J]. 隋新,杨喜权,陈棉书,侯刚. 科学技术与工程. 2012(33)
[7]基于Deep Belief Nets的中文名实体关系抽取[J]. 陈宇,郑德权,赵铁军. 软件学报. 2012(10)
[8]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文. 控制与决策. 2012(02)
[9]一种改进的模糊C均值聚类算法[J]. 李雷,罗红旗,丁亚丽. 计算机技术与发展. 2009(12)
[10]高维数据特征降维研究综述[J]. 胡洁. 计算机应用研究. 2008(09)
硕士论文
[1]基于RBF神经网络的机械臂运动控制算法及应用研究[D]. 张翠.兰州交通大学 2014
本文编号：3694185
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 入侵检测技术研究现状
1.2.2 特征降维技术研究现状
1.3 主要研究内容
1.4 论文组织结构
第二章 入侵检测概述
2.1 网络安全与入侵检测
2.2 入侵检测系统模型
2.2.1 Denning模型
2.2.2 通用入侵检测模型
2.3 入侵检测技术分类
2.3.1 基于误用的入侵检测技术
2.3.2 基于异常的入侵检测技术
2.4 基于智能算法的入侵检测算法
2.5 本章小结
第三章 数据分析及预处理
3.1 KDD99数据集
3.1.1 数据集数据分布
3.1.2 连接记录特征表示
3.2 NSL-KDD数据集
3.3 数据预处理
3.4 本章小结
第四章 基于概率神经网络的入侵检测模型
4.1 概率神经网络
4.1.1 概率神经网络的基本结构
4.1.2 概率神经网络的学习算法
4.1.3 概率神经网络的Matlab实现
4.2 概率神经网络参数优化
4.2.1 粒子群算法基本思想
4.2.2 粒子群算法优化散布常数流程
4.3 概率神经网络入侵检测模型的构建
4.3.1 输入层数据归一化
4.3.2 确定概率神经网络结构
4.3.3 预测样本类别
4.3.4 基于概率神经网络的入侵检测模型
4.4 实验及对比分析
4.4.1 评价指标
4.4.2 确定散布常数
4.4.3 粒子群算法优化概率神经网络实验
4.5 本章小结
第五章 基于深度学习和概率神经网络的入侵检测模型
5.1 人工神经网络
5.1.1 传统神经网络模型
5.1.2 BP学习算法
5.2 深度自动编码器
5.2.1 自动编码器
5.2.2 自动编码器的学习算法
5.2.3 深度自动编码器的构建
5.2.4 深度自动编码器节点的优化问题
5.3 基于深度自动编码器和概率神经网络的入侵检测模型
5.3.1 深度自动编码器结构的确定
5.3.2 DAE-PNN模型的构建
5.4 基于PCA-PNN的入侵检测模型的实验对比
5.4.1 主成分分析
5.4.2 基于PCA-PNN的入侵检测模型
5.5 本章小结
第六章 基于DAE-PNN的入侵检测原型系统
6.1 总体设计
6.2 模块设计
6.2.1 数据获取模块
6.2.2 数据解析模块
6.2.3 DAE-PNN检测模块
6.2.4 响应模块
6.3 系统测试
6.4 总结
第七章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]网络入侵检测的机器学习算法评估与比较[J]. 胡臻伟,施勇,薛质. 通信技术. 2017(12)
[2]基于贝叶斯分类的Web服务质量预测方法研究[J]. 任迪,万健,殷昱煜,周丽,高敏. 浙江大学学报(工学版). 2017(06)
[3]基于优化数据处理的深度信念网络模型的入侵检测方法[J]. 陈虹,万广雪,肖振久. 计算机应用. 2017(06)
[4]基于贝叶斯攻击图的动态安全风险评估模型[J]. 高妮,高岭,贺毅岳,雷艳婷,高全力. 四川大学学报(工程科学版). 2016(01)
[5]基于神经网络的入侵检测系统的设计与实现[J]. 汪洁. 计算机应用与软件. 2013(05)
[6]入侵检测系统的研究[J]. 隋新,杨喜权,陈棉书,侯刚. 科学技术与工程. 2012(33)
[7]基于Deep Belief Nets的中文名实体关系抽取[J]. 陈宇,郑德权,赵铁军. 软件学报. 2012(10)
[8]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文. 控制与决策. 2012(02)
[9]一种改进的模糊C均值聚类算法[J]. 李雷,罗红旗,丁亚丽. 计算机技术与发展. 2009(12)
[10]高维数据特征降维研究综述[J]. 胡洁. 计算机应用研究. 2008(09)
硕士论文
[1]基于RBF神经网络的机械臂运动控制算法及应用研究[D]. 张翠.兰州交通大学 2014
本文编号：3694185
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3694185.html
