人工智能和机器学习下的5G网络安全研究

提出了一种基于机器学习的网络入侵检测系统来防止恶意的在线攻击。该系统是一种多阶段优化框架,研究了过采样技术对模型训练样本数量的影响,比较了基于信息增益和基于相关性的两种特征选择技术,探讨其对检测性能和时间复杂度的影响;探索了不同的超参数优化技术来进一步提高网络入侵检测系统的性能。在CICIDS 2017和UNSW-NB 2015入侵检测数据集上的实验结果表明,该模型能显著降低所需的样本数量和特征集量,并在两个数据集上的检测准确率均超过99%。在保持检测性能的同时降低了计算复杂度。

基于对抗深度学习的物联网安全检测方法

文中提出了一种提高深度学习模型对抗样本攻击鲁棒性的网络入侵检测方法。对比了4种不同对抗样本生成技术在两种不同类型攻击上的表现,从归一化的特征空间来评估网络的安全性。将传统的手工固定阈值进行回归模型学习,通过后处理变换转变为自适应阈值。利用弹性网络方法进行对抗样本生成和网络入侵检测优化,在尽可能小的输入扰动下实现混淆入侵检测系统的分类,增强鲁棒性。

一种云计算环境下海量数据安全特征提取算法

面对云计算环境下大规模数据和多变入侵行为,提出了一种云计算环境下海量数据安全特征提取算法。该算法在定义最佳提取特征指标的基础上,构建基于改进离散狼群算法(Improved Discrete Wolf Pack Algorithm,IDWPA)的安全特征提取模型,最大限度的降低了提取特征冗余度和问题复杂度。针对安全特征提取问题特点,重新设计IDWPA个体编码方式和更新策略,并将IDWPA应用于安全特征提取模型求解,从而实现了最佳安全特征提取。仿真结果表明,相比于其他特征提取算法,基于该算法特征提取的数据分类准确率明显改善。

GRNN-PSO视角下的网络安全势态预测研究

网络安全态势预测是属于网络安全态势最为关键构成部分之一,在对网络安全预防制订决策面发挥着非常重要作用。针对网络安全态势预测存在误差等方面问题,本文提出一种GRNN-PSO(改进广义回归神经网络)预测方法,其目的就是使得网络安全态势预估的精准度得到改善。运用时间窗口移动的方法,将各个离散时间监测点的网络安全态势值形成部分线性相关的多元回归数据序列,把它可以看作为样本集录进改进广义回归神经网络中再进行训练,从而形成相关预测模型。在改进广义回归神经网络对其进行训练之中,运用粒子群算法动态地搜索广义回归神经网络最优培训参数,使得选择广义回归神经网络训练参数等方面难题得到解决,最后通过对传统预测方法与改进过的广义回归神经网络预测方法进行相关实验,实验结果体现了前者比后者的方法具有更佳的性能。