物聯(lián)網(wǎng)應(yīng)用廣泛,且往往節(jié)點(diǎn)眾多,無(wú)人值守,面臨著嚴(yán)峻的信息安全風(fēng)險(xiǎn);其感知層節(jié)點(diǎn)具有計(jì)算能力弱、能耗低和存儲(chǔ)空間不足等特點(diǎn),現(xiàn)有的入侵檢測(cè)方法難以適應(yīng)資源受限且不斷變化的物聯(lián)網(wǎng)環(huán)境。本文重點(diǎn)針對(duì)物聯(lián)網(wǎng)感知層的特點(diǎn)和安全需求,對(duì)基于機(jī)器學(xué)習(xí)的物聯(lián)網(wǎng)入侵檢測(cè)方法進(jìn)行了較深入系統(tǒng)的研究,探討了輕量級(jí)、智能化的物聯(lián)網(wǎng)入侵檢測(cè)方法。主要貢獻(xiàn)包括:首先,針對(duì)最小二乘支持向量機(jī)（LSSVM）模型具有訓(xùn)練速度快、準(zhǔn)確率高,但缺乏稀疏性的特點(diǎn),建立了基于稀疏化LSSVM的物聯(lián)網(wǎng)入侵檢測(cè)分類器方案,在提高分類效率和準(zhǔn)確性的同時(shí),降低其計(jì)算資源占用率。其次,針對(duì)初始數(shù)據(jù)集樣本眾多,難以在資源受限的環(huán)境中進(jìn)行模型訓(xùn)練的問(wèn)題,提出數(shù)據(jù)稀疏的方法,在模型訓(xùn)練前對(duì)支持向量進(jìn)行稀疏約減。其中,針對(duì)K均值聚類算法聚類速度慢,易陷入局部最優(yōu)解的問(wèn)題,使用改進(jìn)模擬退火算法優(yōu)化初始簇中心點(diǎn)的方法以加速聚類;針對(duì)噪聲對(duì)分類效果的影響,在聚類簇中采用拉依達(dá)準(zhǔn)則進(jìn)行噪聲點(diǎn)判斷和去噪處理的方法;引入旨在提高效率的歐氏距離樣本選擇方法,由簇中心點(diǎn)快速有效的選出異類樣本中最近和最遠(yuǎn)的樣本點(diǎn)。仿真測(cè)試結(jié)果表明:通過(guò)改進(jìn)數(shù)據(jù)稀疏方法稀疏率達(dá)... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 引言
    1.2 物聯(lián)網(wǎng)安全簡(jiǎn)介
        1.2.1 物聯(lián)網(wǎng)的安全體系架構(gòu)
        1.2.2 物聯(lián)網(wǎng)感知層面臨的網(wǎng)絡(luò)攻擊
        1.2.3 物聯(lián)網(wǎng)感知層安全需求分析
        1.2.4 物聯(lián)網(wǎng)感知節(jié)點(diǎn)的結(jié)構(gòu)
    1.3 選題背景與意義
        1.3.1 物聯(lián)網(wǎng)入侵檢測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.3.2 物聯(lián)網(wǎng)入侵檢測(cè)研究的意義
    1.4 論文主要研究工作
    1.5 論文主要結(jié)構(gòu)
第2章 物聯(lián)網(wǎng)入侵檢測(cè)相關(guān)理論基礎(chǔ)
    2.1 物聯(lián)網(wǎng)入侵檢測(cè)相關(guān)概念
        2.1.1 入侵檢測(cè)基本原理
        2.1.2 物聯(lián)網(wǎng)入侵檢測(cè)分類
        2.1.3 物聯(lián)網(wǎng)入侵檢測(cè)的必要性
    2.2 物聯(lián)網(wǎng)入侵檢測(cè)的困難性
        2.2.1 傳統(tǒng)入侵檢測(cè)面臨的問(wèn)題
        2.2.2 物聯(lián)網(wǎng)入侵檢測(cè)與傳統(tǒng)入侵檢測(cè)的區(qū)別
        2.2.3 物聯(lián)網(wǎng)入侵檢測(cè)的設(shè)計(jì)要求
    2.3 物聯(lián)網(wǎng)感知層入侵檢測(cè)相關(guān)技術(shù)
        2.3.1 基于多代理技術(shù)的物聯(lián)網(wǎng)入侵檢測(cè)技術(shù)
        2.3.2 基于機(jī)器學(xué)習(xí)的物聯(lián)網(wǎng)入侵檢測(cè)技術(shù)
    2.4 最小二乘支持向量機(jī)
        2.4.1 支持向量機(jī)原理
        2.4.2 最小二乘支持向量機(jī)(LSSVM)原理
        2.4.3 核函數(shù)
        2.4.4 最小二乘支持向量機(jī)的稀疏性
    2.5 本章小結(jié)
第3章 基于稀疏化LSSVM的物聯(lián)網(wǎng)感知層入侵檢測(cè)
    3.1 物聯(lián)網(wǎng)感知層入侵檢測(cè)系統(tǒng)總體設(shè)計(jì)
        3.1.1 物聯(lián)網(wǎng)感知節(jié)點(diǎn)的入侵檢測(cè)部署
        3.1.2 LSSVM模型在物聯(lián)網(wǎng)入侵檢測(cè)中的合理性
        3.1.3 物聯(lián)網(wǎng)入侵檢測(cè)框架設(shè)計(jì)
        3.1.4 物聯(lián)網(wǎng)入侵檢測(cè)稀疏算法的思路
    3.2 基于數(shù)據(jù)稀疏的LSSVM算法
        3.2.1 數(shù)據(jù)稀疏對(duì)于節(jié)點(diǎn)入侵檢測(cè)的必要性
        3.2.2 K均值算法(K-means)
        3.2.3 改進(jìn)的K均值算法
        3.2.4 基于拉依達(dá)準(zhǔn)則的去噪方法
        3.2.5 基于歐式距離的樣本選擇方法
        3.2.6 基于KPE_LSSVM數(shù)據(jù)稀疏流程
    3.3 基于核矩陣稀疏的LSSVM算法
        3.3.1 核矩陣稀疏對(duì)于節(jié)點(diǎn)入侵檢測(cè)的必要性
        3.3.2 過(guò)濾式特征選擇(Relief)
        3.3.3 傳統(tǒng)剪枝法
        3.3.4 樣本個(gè)體的分類重要性
        3.3.5 非支持向量的信息轉(zhuǎn)移
        3.3.6 RP_LSSVM稀疏化原理
    3.4 基于混合稀疏化LSSVM的物聯(lián)網(wǎng)感知層入侵檢測(cè)模型
        3.4.1 物聯(lián)網(wǎng)稀疏化LSSVM入侵檢測(cè)模型
        3.4.2 物聯(lián)網(wǎng)入侵檢測(cè)的數(shù)據(jù)預(yù)處理模塊
        3.4.3 物聯(lián)網(wǎng)LSSVM入侵檢測(cè)分類器設(shè)計(jì)
        3.4.4 物聯(lián)網(wǎng)入侵檢測(cè)決策模塊
    3.5 本章小結(jié)
第4章 實(shí)驗(yàn)結(jié)果及分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)和評(píng)估指標(biāo)
        4.1.1 實(shí)驗(yàn)數(shù)據(jù)
        4.1.2 評(píng)估指標(biāo)
    4.2 數(shù)據(jù)預(yù)處理及參數(shù)選取
        4.2.1 數(shù)據(jù)降維
        4.2.2 最優(yōu)參數(shù)的選取
    4.3 基于數(shù)據(jù)稀疏LSSVM的入侵檢測(cè)性能評(píng)估
        4.3.1 改進(jìn)的K均值聚類
        4.3.2 稀疏比例的優(yōu)化選取
        4.3.3 檢測(cè)性能比較
    4.4 基于核矩陣稀疏LSSVM的入侵檢測(cè)性能評(píng)估
        4.4.1 RP_LSSVM方法的檢測(cè)效果
        4.4.2 不同分類器的稀疏化比較
        4.4.3 支持向量與誤差的關(guān)系
    4.5 混合稀疏模型與不同入侵檢測(cè)模型的對(duì)比
        4.5.1 NSL-KDD數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對(duì)比分析
        4.5.2 工業(yè)控制網(wǎng)絡(luò)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 主要結(jié)論
    5.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]船用物聯(lián)網(wǎng)中的網(wǎng)絡(luò)入侵行為分析檢測(cè)[J]. 王星,黃巍,孫騰.  艦船科學(xué)技術(shù). 2019(10)
[2]基于自步學(xué)習(xí)的無(wú)線傳感網(wǎng)入侵檢測(cè)集成算法[J]. 代建建,陶洋,章思青.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(05)
[3]基于實(shí)用拜占庭容錯(cuò)的物聯(lián)網(wǎng)入侵檢測(cè)方法[J]. 潘建國(guó),李豪.  計(jì)算機(jī)應(yīng)用. 2019(06)
[4]基于區(qū)塊鏈的物聯(lián)網(wǎng)安全技術(shù)研究[J]. 黃澤源,孔勇平,張會(huì)炎.  移動(dòng)通信. 2018(12)
[5]基于機(jī)器學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)入侵檢測(cè)技術(shù)研究[J]. 王展鵬,吳紅光,馬蓓嬌,周夢(mèng)甜,張曼雨,周馳航.  智能物聯(lián)技術(shù). 2018(02)
[6]基于改進(jìn)單類支持向量機(jī)的工業(yè)控制網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 劉萬(wàn)軍,秦濟(jì)韜,曲海成.  計(jì)算機(jī)應(yīng)用. 2018(05)
[7]面向物聯(lián)網(wǎng)的Sybil入侵防御系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 陳琳,李勇,王磊.  計(jì)算機(jī)測(cè)量與控制. 2017(03)
[8]WSN中基于博弈理論的入侵檢測(cè)研究[J]. 桂明倩,劉宴兵,周瞭永.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[9]一種適用于物聯(lián)網(wǎng)的入侵檢測(cè)方法[J]. 王建,鄧開(kāi)發(fā).  軟件導(dǎo)刊. 2016(06)
[10]一種基于分布式移動(dòng)代理的協(xié)同網(wǎng)絡(luò)入侵檢測(cè)模型[J]. 陳建國(guó),李四海.  蘭州文理學(xué)院學(xué)報(bào)(自然科學(xué)版). 2016(03)

碩士論文
[1]基于PSO-ELM的物聯(lián)網(wǎng)入侵檢測(cè)系統(tǒng)研究[D]. 何林海.湖北工業(yè)大學(xué) 2018
[2]基于棧式降噪自編碼器降維的物聯(lián)網(wǎng)分層入侵檢測(cè)模型[D]. 宋永強(qiáng).蘭州大學(xué) 2018
[3]基于無(wú)線傳感器網(wǎng)絡(luò)入侵檢測(cè)的研究[D]. 康亞楠.杭州電子科技大學(xué) 2018
[4]基于物聯(lián)網(wǎng)的被動(dòng)式入侵檢測(cè)方法研究[D]. 李小宇.華南理工大學(xué) 2017
[5]基于流形正則化超限學(xué)習(xí)機(jī)的入侵檢測(cè)研究[D]. 楊迪海.內(nèi)蒙古大學(xué) 2016
[6]基于鏈路的無(wú)線傳感器網(wǎng)絡(luò)蟲(chóng)洞入侵檢測(cè)[D]. 周霄源.南京大學(xué) 2013
[7]基于神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)入侵檢測(cè)系統(tǒng)研究[D]. 孫慶波.暨南大學(xué) 2012



本文編號(hào)：3525533