基于深度學習的入侵檢測.pdf

1、隨著當前網絡帶寬的飛速提升及網絡拓撲結構的復雜化，網絡入侵行為愈加多樣化。隨之產生的龐大數(shù)據(jù)流量和多樣化入侵報警數(shù)據(jù)特征，成為當前困擾入侵檢測系統(tǒng)性能的一個重要因素。面對如此龐大的數(shù)據(jù)流量和特征信息，如何選擇有效的特征來作為入侵評判的標準，是入侵檢測領域的一大挑戰(zhàn)性難題。
　　以往基于特征處理的入侵檢測中，特征處理往往以簡單的特征選擇或提取為準，對入侵檢測系統(tǒng)性能的提升作用不是很明顯。最近幾年，深度學習技術的提出及其在多個領域的成

2、功應用，使人們越來越對其出色的特征學習能力給予關注。針對入侵檢測當前的困境和深度學習突出的特征學習能力，文章提出了基于深度學習的入侵檢測研究。
　　本文在對入侵檢測和深度學習進行全面分析的基礎上，提出了基于深度結構的混合入侵檢測模型。首先，該模型采用多層的深度結構進行無監(jiān)督的特征學習，將高維、非線性的入侵數(shù)據(jù)映射至低維空間，建立高維和低維之間的關系映射，進而采用微調算法對模型進行改造，使其達到特征的最好表達，最后用分類方法對入侵數(shù)

3、據(jù)進行識別判定。然后，本文利用NSL-KDD數(shù)據(jù)集對深度結構下的幾種常用模型的特征學習能力做了試驗對比。實驗結果表明，深度結構下的網絡模型較淺層模型具有更好的特征學習效果，如122-100-80-50-25-5結構的深度信念網絡(DBN)較122-50-5結構的DBN分類識別率提高4.53％;同時結果表明在同樣深度結構下，DBN具有良好的特征表達能力，如DBN較層疊自動編碼器提高了2.56％，較卷積神經網絡提高了2.39％。
　　

4、在此基礎上，本文提出了基于深度信念網絡的混合入侵檢測模型。在此模型中，采用5層結構的DBN作為特征的學習處理，隨后采用支持向量機(SVM)進行入侵的識別和分類。同時，本文對該模型性能與傳統(tǒng)方法進行實驗對比，結果表明，在分類方面，該模型相對于SVM和貝葉斯網絡極大地提高了處理時間，且識別率更高;在特征學習方面，DBN較傳統(tǒng)的特征學習方法主成分分析方法和信息增益具有更好的特征學習能力。總的來說，基于深度結構的入侵檢測方法較傳統(tǒng)方法效率更高、