论文部分内容阅读
随着Internet技术的不断发展和网络应用的快速普及,人们的日常生活工作和互联网之间的关系越来越紧密。然而,互联网在带给人们便利的同时也产生了一些安全问题,如各种病毒、漏洞和攻击等,会造成经济损失,影响社会持续稳步发展。入侵检测通过收集和分析网络信息数据,来识别计算机网络系统中的入侵行为,是一种有效的网络安全防御技术。针对传统机器学习方法在处理大规模入侵数据的检测精度低和检测速度慢等问题,本文在对深度学习模型和入侵检测方法深入分析研究的基础上,提出一种基于深度学习的混合入侵检测模型DBN-PBT-TSVM。本文的主要工作和创新点有以下几方面:(1)面对大规模的网络数据流,如何从中快速选出有效的特征作为入侵识别的依据,是目前入侵检测领域的一个重点研究挑战。本文将深度学习算法引入到入侵检测特征学习中来,提出一种基于DBN的特征学习算法。该算法可以将非线性、高维的原始数据映射到低维空间,以减少数据集的特征维度,获得原始数据集的最优的低维表示。与现有算法相比,该算法具有较优的特征表示能力,提高了入侵检测的准确率。(2)针对基于传统的支持向量机(SVM)的入侵检测分类算法在面对大规模数据时训练速度较低的问题和无法识别具体攻击类别的问题,本文综合偏二叉树(PBT)和对支持向量(TSVM)的优势,构造了一种基于偏二叉树的对支持向量机多类分类算法PBT-TSVM,对网络入侵数据进行识别。最后通过实验表明,本文提出的PBT-TSVM算法不仅提高了检测准确率,在一定程度上降低了误报率,还在检测时间上有良好的表现。(3)通过对基本的入侵检测模型进行研究,本文提出一种基于DBN模型的混合入侵检测模型DBN-PBT-TSVM,主要包括数据预处理、异常处理等模块。该模型首先将网络数据经过预处理,得到标准数据集,然后通过基于DBN的特征学习算法对其进行训练和降维处理,最后通过PBT-TSVM算法实现对入侵数据的分类识别。与传统的入侵检测模型对比,DBN-PBT-TSVM模型不仅提高了分类的准确率,还显著地提高了检测速度,尤其是在处理大规模数据时,效果更明显。