基于深度表征的網(wǎng)絡(luò)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(luò)行為模式，來對網(wǎng)絡(luò)數(shù)據(jù)流行為是否符合正常網(wǎng)絡(luò)行為模式進(jìn)行對比判定，但如何生成正常網(wǎng)絡(luò)行為模式是一個(gè)比較難以解決的問題。另外，入侵檢測研究中存在一個(gè)普遍的問題：實(shí)際檢測系統(tǒng)的訓(xùn)練數(shù)據(jù)集合不可能涵蓋所有的網(wǎng)絡(luò)數(shù)據(jù)情況，特別是有標(biāo)注的網(wǎng)絡(luò)數(shù)據(jù)比較缺乏，而無標(biāo)注的網(wǎng)絡(luò)數(shù)據(jù)卻沒有得到充分利用。再者，網(wǎng)絡(luò)攻擊行為的復(fù)雜多變，以及網(wǎng)絡(luò)數(shù)據(jù)的高維度特性，決定了對網(wǎng)絡(luò)數(shù)據(jù)流的人工分析標(biāo)注存在困難。本文的

2、入侵異常檢測方法的基本設(shè)計(jì)思想是,對給定的網(wǎng)絡(luò)數(shù)據(jù)流使用深度人工神經(jīng)網(wǎng)絡(luò)重新學(xué)習(xí)表征，在計(jì)算后的特征表示上進(jìn)行異常數(shù)據(jù)流的鑒別。與傳統(tǒng)的網(wǎng)絡(luò)異常檢測方法不同的是：可以依靠神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性學(xué)習(xí)獲取網(wǎng)絡(luò)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(chǔ)上再進(jìn)行網(wǎng)絡(luò)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(xué)習(xí)模塊、特征處理模塊、異常檢測模塊。
　　針對網(wǎng)絡(luò)異常檢測的以上特點(diǎn)，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(gè)部分。本文主要從以下幾個(gè)方面進(jìn)行研究：對人工神經(jīng)網(wǎng)絡(luò)算法分析實(shí)現(xiàn)，利用其學(xué)習(xí)的特征深度表示進(jìn)行網(wǎng)絡(luò)異常檢測，并對特征深度表示在異常檢測模型的提升進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)驗(yàn)證如何充分利用無標(biāo)數(shù)據(jù)集合對模型訓(xùn)練進(jìn)行補(bǔ)充改進(jìn)，研究將無標(biāo)數(shù)據(jù)對RBM進(jìn)行補(bǔ)充訓(xùn)練的效果。對不同的判別算法進(jìn)行分析，直接采用BP算法進(jìn)行分類訓(xùn)練所需要的時(shí)間很長，本文提出采用DRBM擴(kuò)展結(jié)構(gòu)構(gòu)建異常檢測模型，并通過設(shè)計(jì)對比實(shí)驗(yàn)對模型的檢測結(jié)果進(jìn)