基于深度表征的網(wǎng)絡異常檢測模型研究.pdf

1、在入侵檢測中，通常的異常檢測主要通過建立正常行為網(wǎng)絡行為模式，來對網(wǎng)絡數(shù)據(jù)流行為是否符合正常網(wǎng)絡行為模式進行對比判定，但如何生成正常網(wǎng)絡行為模式是一個比較難以解決的問題。另外，入侵檢測研究中存在一個普遍的問題：實際檢測系統(tǒng)的訓練數(shù)據(jù)集合不可能涵蓋所有的網(wǎng)絡數(shù)據(jù)情況，特別是有標注的網(wǎng)絡數(shù)據(jù)比較缺乏，而無標注的網(wǎng)絡數(shù)據(jù)卻沒有得到充分利用。再者，網(wǎng)絡攻擊行為的復雜多變，以及網(wǎng)絡數(shù)據(jù)的高維度特性，決定了對網(wǎng)絡數(shù)據(jù)流的人工分析標注存在困難。本文的

2、入侵異常檢測方法的基本設計思想是,對給定的網(wǎng)絡數(shù)據(jù)流使用深度人工神經(jīng)網(wǎng)絡重新學習表征，在計算后的特征表示上進行異常數(shù)據(jù)流的鑒別。與傳統(tǒng)的網(wǎng)絡異常檢測方法不同的是：可以依靠神經(jīng)網(wǎng)絡的自學習特性學習獲取網(wǎng)絡數(shù)據(jù)流中不同類型特征，以及其包含的隱藏特征，然后在此基礎上再進行網(wǎng)絡異常檢測。本文的異常檢測方法的主要組成部分分為：深層特征學習模塊、特征處理模塊、異常檢測模塊。
　　針對網(wǎng)絡異常檢測的以上特點，本文的異常檢測模型研究主要集中在對深

3、度表征過程以及異常檢測方法兩個部分。本文主要從以下幾個方面進行研究：對人工神經(jīng)網(wǎng)絡算法分析實現(xiàn)，利用其學習的特征深度表示進行網(wǎng)絡異常檢測，并對特征深度表示在異常檢測模型的提升進行實驗驗證。實驗驗證如何充分利用無標數(shù)據(jù)集合對模型訓練進行補充改進，研究將無標數(shù)據(jù)對RBM進行補充訓練的效果。對不同的判別算法進行分析，直接采用BP算法進行分類訓練所需要的時間很長，本文提出采用DRBM擴展結構構建異常檢測模型，并通過設計對比實驗對模型的檢測結果進