入侵檢測自提出以來就備受重視。近年來,機器學習的熱潮為入侵檢測技術(shù)的研究帶來了新鮮血液,并且得到了廣泛的應(yīng)用。但是由于人們的工作和生活越來越多的依賴互聯(lián)網(wǎng),致使網(wǎng)絡(luò)信息交錯復(fù)雜,如何從海量數(shù)據(jù)中提取有用的信息并對其進行分析成為當下解決大數(shù)據(jù)問題的關(guān)鍵。傳統(tǒng)的特征擇優(yōu)方法通過數(shù)據(jù)降維能在一定程度上提高算法的泛化能力,但是由于忽略了某些重要特征在分類中的作用而導(dǎo)致入侵檢測率與誤報率失衡;針對小類別樣本,現(xiàn)有的大多數(shù)入侵檢測方法在檢測準確率的表現(xiàn)上也不盡如人意。本文針對上述問題,提出了新的基于機器學習的擇優(yōu)算法。論文的主要研究內(nèi)容及創(chuàng)新如下:（1）由于樣本特征的多元化,傳統(tǒng)的方法不能很好地表示樣本與特征之間的關(guān)系,針對此類問題,本文在Fisher分特征選擇的基礎(chǔ)上引入了超圖的概念,提出了一種基于FS-HG特征擇優(yōu)的兩級混合入侵檢測方法。該方法在訓練階段結(jié)合Fisher分和超圖的Helly屬性做特征擇優(yōu),得到更有利于分類的樣本特征;在測試階段利用隨機森林和改進的K均值作為聯(lián)合分類器,旨在通過加入密集度閾值來避免單個離群點對簇類中心變化的影響,使聚類結(jié)果達到更高的準確率。實驗結(jié)果表明,級聯(lián)分類器... 

【文章來源】：桂林電子科技大學廣西壯族自治區(qū)

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

017年我國境內(nèi)被篡改的網(wǎng)站數(shù)量月度統(tǒng)計圖

所提方法的檢測性能，本章在如下表 4-2 所示的果做了分析。表 4-2ADBN 模型參數(shù)batch_sizes epochs 500 300 500 400 200 400 數(shù)均由經(jīng)驗值獲得，整個 ADBN 模型訓練包括以M 模型；貪婪的逐層訓練堆疊的 RBM，即 DBN型中的參數(shù)。表 4-2 中的 batch_sizes 表示每次取據(jù)集樣本被訓練的次數(shù)，learning_rate 表示各模和分析了ADBN模型中編碼器部分隱藏層個數(shù)和檢測率的影響。算法檢測率的影響如圖 4-6 所示：

第四章 基于 ADBN 特征擇優(yōu)的入侵檢測方法 層表示 ADBN 模型中編碼器部分包含 1 個隱藏層：41-23-5；2 層表示 ADBN 模型中編碼器部分包的神經(jīng)元依次為：41-28-14-5；3 層表示 ADBN 即整個編碼器部分的神經(jīng)元依次為：41-30-20-10-分包含 4 個隱藏層，即整個編碼器部分的。從實驗結(jié)果可以看出，模型在包含 4 個隱藏層個數(shù)小于 4 時，隨著隱藏層個數(shù)的增加，算法的練階段可以通過更多的隱藏層提取能夠表征原始，會導(dǎo)致模型出現(xiàn)擬合過度現(xiàn)象，從而降低算法出層神經(jīng)元個數(shù)對算法檢測率的影響如圖 4-7 所層。

【參考文獻】：
期刊論文
[1]基于獨熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測[J]. 梁杰,陳嘉豪,張雪芹,周悅,林家駿.  清華大學學報(自然科學版). 2019(07)
[2]基于dCNN的入侵檢測方法[J]. 張思聰,謝曉堯,徐洋.  清華大學學報(自然科學版). 2019(01)
[3]基于非對稱卷積自編碼器和支持向量機的入侵檢測模型[J]. 王佳林,劉吉強,趙迪,王盈地,相迎宵,陳彤,童恩棟,牛溫佳.  網(wǎng)絡(luò)與信息安全學報. 2018(11)
[4]基于DBN-KELM的入侵檢測算法[J]. 汪洋,伍忠東,火忠彩.  計算機工程. 2019(10)
[5]基于稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的入侵檢測方法[J]. 任偉.  移動通信. 2018(08)
[6]中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告[J].   中國科技信息. 2018(05)
[7]基于自編碼網(wǎng)絡(luò)特征降維的輕量級入侵檢測模型[J]. 高妮,高嶺,賀毅岳,王海.  電子學報. 2017(03)
[8]探究大數(shù)據(jù)下的K-means聚類算法在網(wǎng)絡(luò)安全檢測中的應(yīng)用[J]. 林慶新.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(03)
[9]基于超圖的多模態(tài)特征選擇算法及其應(yīng)用[J]. 彭瑤,祖辰,張道強.  計算機科學與探索. 2018(01)
[10]基于超圖的多模態(tài)關(guān)聯(lián)特征處理方法[J]. 羅永恩,胡繼承,徐茜.  計算機工程. 2017(01)

博士論文
[1]機器學習方法在入侵檢測中的應(yīng)用研究[D]. 解男男.吉林大學 2015

碩士論文
[1]基于聚類和支持向量機的入侵檢測方法研究[D]. 張曉峰.蘭州理工大學 2018
[2]基于互信息的特征選擇在入侵檢測中的優(yōu)化研究[D]. 向嬋.昆明理工大學 2018
[3]堆疊式降噪自編碼器深度網(wǎng)絡(luò)的入侵檢測[D]. 陶亮亮.蘭州大學 2017
[4]Snort在工業(yè)控制系統(tǒng)入侵檢測領(lǐng)域的改進及應(yīng)用[D]. 馮子豪.北京郵電大學 2017
[5]基于數(shù)據(jù)挖掘的校園網(wǎng)入侵檢測系統(tǒng)研究與實現(xiàn)[D]. 楊贛川.天津大學 2017
[6]基于聚類分析的入侵檢測算法研究[D]. 邵陽.東南大學 2016
[7]基于聚類算法的入侵檢測系統(tǒng)的設(shè)計與實現(xiàn)[D]. 崔文科.電子科技大學 2016
[8]入侵檢測中基于決策樹與樸素貝葉斯的混合分類算法研究[D]. 姚濰.深圳大學 2015
[9]基于深度學習的入侵檢測[D]. 楊昆朋.北京交通大學 2015
[10]超圖理論算法研究及其在圖像分類中的應(yīng)用[D]. 王超杰.廈門大學 2014



本文編號：3418761