隨著“互聯(lián)網(wǎng)+”的快速發(fā)展和新一代信息基礎(chǔ)設(shè)施的建設(shè),工業(yè)物聯(lián)網(wǎng)入侵行為愈見普遍,如何確保工業(yè)物聯(lián)網(wǎng)安全是當(dāng)前研究熱點之一。入侵檢測系統(tǒng)在預(yù)防工業(yè)物聯(lián)網(wǎng)安全威脅和保護其免受攻擊方面發(fā)揮著重要作用。隨著未知攻擊不斷涌現(xiàn)以及樣本數(shù)據(jù)分布不平衡,傳統(tǒng)入侵檢測算法不能充分挖掘工業(yè)物聯(lián)網(wǎng)中行為特征信息,基于深度學(xué)習(xí)的智能算法為該問題的解決提供了新途徑。本文綜合分析深度學(xué)習(xí)和工業(yè)物聯(lián)網(wǎng)入侵檢測,針對現(xiàn)有入侵檢測特征模糊、檢測效率低、誤報率高、泛化能力差等問題。利用深度學(xué)習(xí)強大的數(shù)據(jù)處理能力和特征學(xué)習(xí)能力,對基于深度學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)入侵檢測方法進行深入研究,開展的主要工作和貢獻如下:首先,研究基于卷積神經(jīng)網(wǎng)絡(luò)的工業(yè)物聯(lián)網(wǎng)入侵檢測算法,將入侵檢測等效為圖像分類問題,首先將網(wǎng)絡(luò)連接一維數(shù)據(jù)轉(zhuǎn)化為二維數(shù)據(jù);然后構(gòu)建在Lenet-5模型改進上的Lenet-7網(wǎng)絡(luò)結(jié)構(gòu),該結(jié)構(gòu)使用雙卷積和單池化對數(shù)據(jù)進行降維和特征提取,并引入Relu非線性激活函數(shù),加快網(wǎng)絡(luò)收斂速度,且該模型引入Dropout方法防止網(wǎng)絡(luò)過擬合。其次,將多尺度Inception結(jié)構(gòu)引入卷積神經(jīng)網(wǎng)絡(luò),通過加深加寬網(wǎng)絡(luò)和優(yōu)化訓(xùn)練損失,加強特征提取能...

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 工業(yè)物聯(lián)網(wǎng)安全的研究現(xiàn)狀
        1.2.2 工業(yè)物聯(lián)網(wǎng)入侵檢測研究現(xiàn)狀
    1.3 當(dāng)前存在的主要問題
    1.4 主要研究內(nèi)容
    1.5 論文組織架構(gòu)
第2章 工業(yè)物聯(lián)網(wǎng)安全相關(guān)知識
    2.1 工業(yè)物聯(lián)網(wǎng)概述
        2.1.1 工業(yè)物聯(lián)網(wǎng)介紹
        2.1.2 工業(yè)物聯(lián)網(wǎng)體系架構(gòu)
    2.2 工業(yè)物聯(lián)網(wǎng)安全分析
        2.2.1 工業(yè)物聯(lián)網(wǎng)安全威脅
        2.2.2 工業(yè)物聯(lián)網(wǎng)入侵檢測要求
    2.3 工業(yè)物聯(lián)網(wǎng)入侵檢測技術(shù)
        2.3.1 工業(yè)物聯(lián)網(wǎng)入侵檢測模型架構(gòu)
        2.3.2 工業(yè)物聯(lián)網(wǎng)入侵檢測基本類型
        2.3.3 典型的工業(yè)物聯(lián)網(wǎng)入侵檢測方法
    2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)工業(yè)物聯(lián)網(wǎng)入侵檢測
    3.1 工業(yè)物聯(lián)網(wǎng)入侵檢測模型框架
    3.2 基于Lenet-5工業(yè)物聯(lián)網(wǎng)入侵檢測模型
    3.3 改進Lenet-5入侵檢測模型
        3.3.1 Lenet-5工業(yè)物聯(lián)網(wǎng)入侵檢測模型的不足
        3.3.2 改進Lenet-5工業(yè)物聯(lián)網(wǎng)入侵檢測模型
    3.4 實驗數(shù)據(jù)集及預(yù)處理
        3.4.1 數(shù)據(jù)集分析
        3.4.2 數(shù)據(jù)預(yù)處理
    3.5 本章小結(jié)
第4章 基于Inception-CNN工業(yè)物聯(lián)網(wǎng)入侵檢測
    4.1 相關(guān)理論闡述
        4.1.1 Inception模塊
        4.1.2 Batch_Normalization方法
    4.2 Inception-CNN入侵檢測模型
        4.2.1 Inception-CNN的設(shè)計思想
        4.2.2 Inception-CNN網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 樣本數(shù)據(jù)處理
        4.3.1 數(shù)據(jù)特征選擇
        4.3.2 不平衡數(shù)據(jù)集處理方法
        4.3.3 Focal-Loss損失函數(shù)
    4.4 基于Inception-CNN工業(yè)物聯(lián)網(wǎng)入侵檢測方案
    4.5 本章小結(jié)
第5章 實驗結(jié)果及對比分析
    5.1 工業(yè)入侵檢測模型結(jié)構(gòu)
        5.1.1 工業(yè)控制網(wǎng)絡(luò)數(shù)據(jù)集
        5.1.2 模型評估指標(biāo)
    5.2 入侵檢測性能評估
        5.2.1 卷積神經(jīng)網(wǎng)絡(luò)工業(yè)物聯(lián)網(wǎng)入侵檢測結(jié)果
        5.2.2 Inception-CNN工業(yè)物聯(lián)網(wǎng)入侵檢測結(jié)果
        5.2.3 優(yōu)化Inception-CNN工業(yè)物聯(lián)網(wǎng)入侵檢測結(jié)果
    5.3 不同入侵檢測模型的對比
        5.3.1 NSL-KDD數(shù)據(jù)集實驗結(jié)果對比分析
        5.3.2 工業(yè)控制網(wǎng)絡(luò)數(shù)據(jù)集實驗結(jié)果對比分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來展望
參考文獻
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號：3777380