入侵檢測技術是網(wǎng)絡安全的重要組成部分,它通過對網(wǎng)絡上的各種信息進行收集和分析來檢測各種入侵行為,是維護網(wǎng)絡安全的重點。隨著網(wǎng)絡的普及和網(wǎng)絡速率的提升,網(wǎng)絡攻擊行為日益增加,攻擊方法不斷更新,傳統(tǒng)的智能化檢測技術很難取得期望的成效。當前入侵檢測模型存在的問題主要有:研究者針對基于KDD CUP 99數(shù)據(jù)集或者自行收集的數(shù)據(jù)集的算法之間很難進行性能比較并且數(shù)據(jù)集的樣本數(shù)據(jù)分布不均勻;傳統(tǒng)學習模型特征提取能力差,且全連接網(wǎng)絡在高維數(shù)據(jù)環(huán)境下訓練耗時長,難以適應當前大數(shù)據(jù)環(huán)境下的入侵檢測任務;CNN或者CNN改進模型需要大量帶有標簽的數(shù)據(jù),費時費力,且處理高維數(shù)據(jù)時,計算復雜度高,耗時長。針對現(xiàn)有基于深度學習的入侵檢測算法模型訓練時間過長、超參數(shù)較多、數(shù)據(jù)需求量大的缺陷,本文提出一種基于集成深度森林(Ensemble Deep Forests,EDF)的入侵檢測算法。該算法首先使用主成分分析(Principe Component Analysis,PCA)、字符數(shù)據(jù)轉換和歸一化算法對數(shù)據(jù)進行預處理,類比卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)隱藏層結構和...

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【部分圖文】：

圖2.2Train和Test數(shù)據(jù)集中樣本類型分布

蘭州交通大學工程碩士學位論文-11-NSL-KDD數(shù)據(jù)集與KDDCup1999數(shù)據(jù)集相比，首先去除了訓練集中的冗余樣本得到新的訓練集Train+，然后使用21種基礎的算法模型將測試集中的樣本依據(jù)分類正確的模型數(shù)量分為22類，并以此給出Test+和Test-21兩種測試集，其中Te....

圖3.3特征重要度分布圖

-16-究者認為DBN對入侵檢測系統(tǒng)有著較強的能力[38]，因此本文選用PCA與DBN進行特征提齲PCA將高維數(shù)據(jù)映射到另一個低維子空間中，子空間的長軸（主成分）代表著數(shù)據(jù)變化率最高的特征。PCA還可以反應特征的重要程度和相關程度，與長軸越接近的特征，其重要程度越高，進而達到特征....

圖3.4決策樹、RF和EDF的F1值對比

蘭州交通大學工程碩士學位論文-19-表3.5Train和Test集上個分類器檢測率對比分類器ACCJ4881.05%NB76.56%NBTree82.02%RandomForest80.67%ExtraTrees78.19%RandomTree81.59%MLP77.41%SVM....

圖3.7特征重要度分布

蘭州交通大學工程碩士學位論文-23-圖3.8為在不同窗口情況下Test集上模型測試準確率隨森林層數(shù)的變化曲線。在整體上，隨著層數(shù)加深，測試集準確率不斷提高，而在掃描窗口為[10]和[10,30]時時，測試集準確率較高，且兩條曲線都收斂于86%左右，此時模型特征提取能力達到較高水平....

本文編號：3909133