基于深度學(xué)習(xí)的入侵檢測(cè).pdf

1、隨著當(dāng)前網(wǎng)絡(luò)帶寬的飛速提升及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的復(fù)雜化，網(wǎng)絡(luò)入侵行為愈加多樣化。隨之產(chǎn)生的龐大數(shù)據(jù)流量和多樣化入侵報(bào)警數(shù)據(jù)特征，成為當(dāng)前困擾入侵檢測(cè)系統(tǒng)性能的一個(gè)重要因素。面對(duì)如此龐大的數(shù)據(jù)流量和特征信息，如何選擇有效的特征來(lái)作為入侵評(píng)判的標(biāo)準(zhǔn)，是入侵檢測(cè)領(lǐng)域的一大挑戰(zhàn)性難題。
　　以往基于特征處理的入侵檢測(cè)中，特征處理往往以簡(jiǎn)單的特征選擇或提取為準(zhǔn)，對(duì)入侵檢測(cè)系統(tǒng)性能的提升作用不是很明顯。最近幾年，深度學(xué)習(xí)技術(shù)的提出及其在多個(gè)領(lǐng)域的成

2、功應(yīng)用，使人們?cè)絹?lái)越對(duì)其出色的特征學(xué)習(xí)能力給予關(guān)注。針對(duì)入侵檢測(cè)當(dāng)前的困境和深度學(xué)習(xí)突出的特征學(xué)習(xí)能力，文章提出了基于深度學(xué)習(xí)的入侵檢測(cè)研究。
　　本文在對(duì)入侵檢測(cè)和深度學(xué)習(xí)進(jìn)行全面分析的基礎(chǔ)上，提出了基于深度結(jié)構(gòu)的混合入侵檢測(cè)模型。首先，該模型采用多層的深度結(jié)構(gòu)進(jìn)行無(wú)監(jiān)督的特征學(xué)習(xí)，將高維、非線性的入侵?jǐn)?shù)據(jù)映射至低維空間，建立高維和低維之間的關(guān)系映射，進(jìn)而采用微調(diào)算法對(duì)模型進(jìn)行改造，使其達(dá)到特征的最好表達(dá)，最后用分類(lèi)方法對(duì)入侵?jǐn)?shù)

3、據(jù)進(jìn)行識(shí)別判定。然后，本文利用NSL-KDD數(shù)據(jù)集對(duì)深度結(jié)構(gòu)下的幾種常用模型的特征學(xué)習(xí)能力做了試驗(yàn)對(duì)比。實(shí)驗(yàn)結(jié)果表明，深度結(jié)構(gòu)下的網(wǎng)絡(luò)模型較淺層模型具有更好的特征學(xué)習(xí)效果，如122-100-80-50-25-5結(jié)構(gòu)的深度信念網(wǎng)絡(luò)(DBN)較122-50-5結(jié)構(gòu)的DBN分類(lèi)識(shí)別率提高4.53％;同時(shí)結(jié)果表明在同樣深度結(jié)構(gòu)下，DBN具有良好的特征表達(dá)能力，如DBN較層疊自動(dòng)編碼器提高了2.56％，較卷積神經(jīng)網(wǎng)絡(luò)提高了2.39％。
　　

4、在此基礎(chǔ)上，本文提出了基于深度信念網(wǎng)絡(luò)的混合入侵檢測(cè)模型。在此模型中，采用5層結(jié)構(gòu)的DBN作為特征的學(xué)習(xí)處理，隨后采用支持向量機(jī)(SVM)進(jìn)行入侵的識(shí)別和分類(lèi)。同時(shí)，本文對(duì)該模型性能與傳統(tǒng)方法進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果表明，在分類(lèi)方面，該模型相對(duì)于SVM和貝葉斯網(wǎng)絡(luò)極大地提高了處理時(shí)間，且識(shí)別率更高;在特征學(xué)習(xí)方面，DBN較傳統(tǒng)的特征學(xué)習(xí)方法主成分分析方法和信息增益具有更好的特征學(xué)習(xí)能力?？偟膩?lái)說(shuō)，基于深度結(jié)構(gòu)的入侵檢測(cè)方法較傳統(tǒng)方法效率更高、