隨著互聯(lián)網(wǎng)的發(fā)展,網(wǎng)絡(luò)安全問題日益嚴(yán)峻,如何高效檢測(cè)網(wǎng)絡(luò)攻擊行為需求日益緊迫。因此,入侵檢測(cè)技術(shù)應(yīng)運(yùn)而生。將傳統(tǒng)的機(jī)器學(xué)習(xí)方法應(yīng)用于入侵檢測(cè)系統(tǒng)一直是研究者們研究的方向。但是,機(jī)器學(xué)習(xí)方法有很強(qiáng)的特征依賴性,這對(duì)研究者們又提出了一個(gè)新的難題。近年來,深度學(xué)習(xí)的興起為網(wǎng)絡(luò)入侵檢測(cè)提供了新的方向。因此本文在卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)入侵檢測(cè)系統(tǒng)研究的基礎(chǔ)上,提出了基于特征圖譜算法的卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型。論文主要的工作與創(chuàng)新有如下四點(diǎn):1、論文闡述了深度學(xué)習(xí)和入侵檢測(cè)系統(tǒng)相關(guān)的概念和國內(nèi)外研究現(xiàn)狀;討論了深度學(xué)習(xí)和入侵檢測(cè)系統(tǒng)結(jié)合應(yīng)用和傳統(tǒng)入侵檢測(cè)模型相比的優(yōu)勢(shì);分析了深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)系統(tǒng)如何解決的現(xiàn)有入侵檢測(cè)系統(tǒng)泛化能力不強(qiáng)、訓(xùn)練過慢等問題。2、論文介紹了基于卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)的設(shè)計(jì)架構(gòu)。研究了NSL-KDD數(shù)據(jù)集,并對(duì)其進(jìn)行歸一化、標(biāo)準(zhǔn)化處理。提出了基于特征圖的卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型,并做了隨機(jī)森林(Random Forest,RF)、支持向量機(jī)(Support Vector Machine,SVM)...

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究問題的提出
    1.3 深度學(xué)習(xí)與入侵檢測(cè)
        1.3.1 深度學(xué)習(xí)概述與分類
        1.3.2 入侵檢測(cè)概述與分類
    1.4 國內(nèi)外入侵檢測(cè)研究現(xiàn)狀
    1.5 文章組織架構(gòu)
        1.5.1 研究?jī)?nèi)容
        1.5.2 內(nèi)容框架
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型的研究
    2.1 基于卷積神經(jīng)網(wǎng)絡(luò)IDS模型架構(gòu)
    2.2 NSL-KDD數(shù)據(jù)集研究
        2.2.1 數(shù)據(jù)集介紹
        2.2.2 數(shù)據(jù)集預(yù)處理
    2.3 卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型設(shè)計(jì)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型設(shè)計(jì)
    2.4 實(shí)驗(yàn)對(duì)比與分析
    2.5 本章小結(jié)
第3章 基于特征圖譜算法的卷積神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)模型研究
    3.1 基于特征圖譜算法的卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)IDS模型架構(gòu)
    3.2 特征圖譜獲得模塊實(shí)現(xiàn)
        3.2.1 SWCC權(quán)重矩陣算法實(shí)現(xiàn)
        3.2.2 FWM權(quán)重矩陣算法實(shí)現(xiàn)
        3.2.3 特征圖譜獲取
    3.3 入侵檢測(cè)模型性能指標(biāo)
    3.4 數(shù)據(jù)集均衡采集模型
        3.4.1 數(shù)據(jù)集均衡采集模型設(shè)計(jì)
        3.4.2 實(shí)驗(yàn)對(duì)比
    3.5 SWCC-CNN,FWM-CNN模型設(shè)計(jì)
    3.6 實(shí)驗(yàn)研究與對(duì)比
        3.6.1 SWCC-CNN、FWM-CNN模型參數(shù)研究實(shí)驗(yàn)
        3.6.2 SWCC-CNN、FWM-CNN模型性能對(duì)比實(shí)驗(yàn)
    3.7 本章小結(jié)
第4章 系統(tǒng)驗(yàn)證平臺(tái)實(shí)現(xiàn)
    4.1 平臺(tái)功能需求分析
    4.2 系統(tǒng)平臺(tái)搭建
        4.2.1 模塊功能詳細(xì)介紹
        4.2.2 驗(yàn)證平臺(tái)設(shè)計(jì)方案
    4.3 平臺(tái)驗(yàn)證實(shí)驗(yàn)步驟
    4.4 模型驗(yàn)證試驗(yàn)對(duì)比
    4.5 本章小結(jié)
第5章 結(jié)束語
    5.1 論文總結(jié)
    5.2 未來展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3862199