基于深度学习的网络流量入侵检测研究

发布时间：2024-03-16 00:48

　　互联网和网络通信技术的高速发展给人们的生活和生产带来了极大的变化。人们在享受网络带来便利的同时,网络安全问题也变得日益严峻,这给网络环境正常运行和隐私保护带来了巨大的挑战。网络流量的异常检测已经成为了解决网络安全问题的一个关键手段。本论文将深度学习引入到入侵检测领域,首先提出了一个基于深度自适应特征的学习算法框架用于流量异常检测。该算法能够根据网络流量特征维度进行深度模型的层数和每层神经元个数的确定。其次在算法中合理设置特征参数,利用迁移学习的优势和深度模型对特征强大的学习能力,使深度神经模型对原始多维度的数据能进一步学习获得新的抽象特征。本论文还结合深度学习和传统浅层机器学习的优势,将学习到的新特征使用传统机器学习分类器作最后的入侵检测分类。其次,本论文提出了一个深度非对称卷积编码器用于网络入侵检测。该模型结合了自编码器和卷积自编码器的优点,通过保留卷积自编码器的编码器部分,通过多层隐藏层堆叠形成深度非对称结构。该深度卷积非对称编码器能够用于特征提取并且结合随机森林做进一步的入侵检测分类。本文在实验中使用了NSL-KDD,UNSW-NB15和CICIDS2017三个网络入侵检测的数据...

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图2.1SVM分类示意图

基于深度学习的网络流量入侵检测研究2.4网络入侵检测常用算法互联网环境下，入侵检测系统通过把网络正常行为和异常行为进行分类从而达到入侵检测的目的。入侵检测领域近些年来利用机器学习方法对网络流量进行分类检测也变成一个热点。2.4.1SVM算法分析支持向量机(SupportVecto....

图2.2KNN分类示意图

第2章网络入侵检测系统介绍2.4.2KNN算法分析K近邻算法(k-NearestNeighbor,KNN)示意图如图2.2所示，算法思想是把一个样本划分在特征空间中的k个相邻样本是属于某一个类别，那么该样本也属于这一个类别。KNN算法在决策时都会计算当前样本与k个数据点的欧式距离....

图2.3决策树进行西瓜分类的过程

基于深度学习的网络流量入侵检测研究较快。对于数据多重共线性问题可以使用正则化进行解决。但是缺点是模型容易过拟合造成准确度不是很高，对多类特征数据处理起来不太友好。2.4.4DecisionTree算法分析在统计学和和数据挖掘中频繁使用的决策树(DecisionTree,DT)是一....

图2.4K-means分类示意图

基于深度学习的网络流量入侵检测研究图2.4K-means分类示意图Figure2.4K-meansclassification容量的数据时，该算法有比较好的伸缩性，往往局部达到最优的时候已经有最好的效果了。缺点就是人们需要去定义k的大小，而且设定不同的k也会得到不同的结果。对算法....

本文编号：3928861