物联网场景下基于蜜场的分布式网络入侵检测系统研究

为了解决物联网网络入侵检测系统无法识别新型攻击、灵活性有限等问题,基于蜜场提出了一种能有效识别异常流量和具备持续学习能力的网络入侵检测系统。首先,结合卷积块注意力模块的特点,构建专注于通道和空间双维度的异常流量检测模型,从而提高模型的识别能力。其次,利用联邦学习下的模型训练方案,提高模型的泛化能力。最后,基于蜜场对边缘节点的异常流量检测模型进行更新迭代,从而提高系统对新型攻击流量的识别准确度。实验结果表明,所提系统不仅能有效检测出网络流量中的异常行为,还可以持续提高对异常流量的检测性能。

基于人工智能技术的分布式入侵检测系统设计

针对传统集中式入侵检测系统存在的检测精度低,误报率高等问题,本研究提出了一种基于人工智能技术的分布式入侵检测系统设计方案。该系统采用分布式架构,结合深度学习、机器学习等人工智能技术,可实现对网络流量的高效、准确检测。通过详细的系统架构设计和数据处理流程描述,本文展示了系统的实现细节。经测试证明,本系统的设计不仅能够自适应地学习和识别网络中的异常行为,提高检测效率,还具有更高的检测精度和更强的鲁棒性,实现了对大规模网络的实时监控和快速响应。同时,通过协同工作和信息共享,分布式入侵检测系统能够更全面地检测网络中的潜在威胁,提高整个网络的安全防护能力。

基于人工智能技术的分布式入侵检测系统设计

现代计算机网络系统中的数据处理存在一些问题,这对系统的入侵检测造成了威胁。为了解决此问题,设计了一款基于人工智能技术的分布式入侵检测系统。通过对系统的总体结构进行分析,设计响应入侵检测的策略,利用通信设计对是否存在入侵行为进行分析,并且对入侵检测的数据进行交换。利用报警模块对入侵检测行为进行监视,全面评估系统,设计入侵检测流程。通过对系统进行测试,验证系统能够检测外来入侵行为,保证系统应用的安全性。

基于孤立森林算法的企业分布式财务不良数据检测研究

为了实现企业分布式财务不良数据的高效、精准检测,为企业财务安全决策提供重要数据保障,基于孤立森林算法,对企业分布式财务不良数据检测开展研究。通过分析企业分布式财务元数据管理体系,结合元数据仓库中的元数据目录映射实际企业分布式财务数据列表,提取企业分布式实际财务数据;从噪声干扰处理、数据缺失填补等角度,结合Z-score与中位数插值方法对数据预处理,以保证企业分布式财务数据质量;根据数据方差、标准差、偏度、峰度等统计量,计算完成预处理后数据中不良数据的分布特征,并基于孤立森林算法、融合孤立树的二叉树结构,最终实现企业分布式财务不良数据的高效、精准检测。实验结果表明:利用本文设计方法对数据集中预处理后,能够有效解决数据的异常空间分布状态、填补缺数部分数据,修复受噪声干扰产生的畸变状态;检测消耗时间最高值为5.4s,检测精准度最高值为0.93,检测效率与检测精准度具有比较优势。

改进复合免疫算法的大规模网络入侵攻击检测

为提高入侵攻击检测效果以应对多种网络攻击,提出一种改进复合免疫算法的大规模网络入侵攻击检测方法。通过对自我和非我的区分匹配,描述网络入侵攻击检测问题,凭借模糊算法规则明确免疫机制界限。将遗传算法带入否定选择法中,令任意染色体可描述为模糊规则中的部分限定,设定惩罚系数限制规则覆盖正常样本的概率,令检测器选择过程简单化。选用二进制编码和汉明距离计算抗体与抗原间亲和度,得出二者在大规模网络内的浓度,最后基于检测器数据集与网络数据对比,若匹配则存在入侵攻击,根据对比结果记录抗体并报警。实验结果表明,所提方法能够提高检测精度和效率,具有极佳的适用性和应用价值。

基于改进多因子优化蝙蝠算法的网络入侵检测方法

针对高维网络数据存在大量冗余和不相关的特征导致入侵检测准确率低的问题,提出了一种改进的多因子优化蝙蝠算法(IMFBA)用于数据特征选择,筛选出具有最大信息量的特征子集,提高网络入侵检测精度。首先,在多因子优化框架下设计全局特征选择任务和局部特征选择任务,并通过基于蝙蝠算法所设计的选型交配和垂直文化传播算子实现不同任务间的信息共享,从而帮助全局特征选择任务更快锁定最优解空间,提高算法收敛速度和稳定性。其次,通过将反向学习策略和差分进化引入蝙蝠算法,重新设计算法初始解选择阶段及个体更新过程,弥补其缺少突变机制的不足,增强解的多样性,帮助算法摆脱局部最优。最后,提出一种自适应参数调整策略,根据潜在最优解质量决定其指导个体更新的权重,避免在多任务特征选择过程中出现知识负迁移现象,实现全局搜索与局部开发之间的平衡。实验结果表明:IMFBA所选特征子集对网络入侵数据集KDD CUP 99和NSL-KDD分类结果的准确率分别为95.37%和85.14%,相较于完整特征集提升了3.01百分点和9.78百分点。IMFBA算法能选择更高质量特征子集并提升网络入侵检测准确率。

基于深度学习算法与AP聚类的轻量级分布式数据泄露检测

轻量级分布式数据在分布上存在属性特征。在对该类数据的泄漏状态进行检测时,可能导致输出结果误差较大。因此,文章提出了基于深度学习算法与AP聚类的轻量级分布式数据泄露检测方法。结合数据簇不同区域meanshift模长的差异性,对分布式数据的局部中心量度进行了重新定义,并采用深度学习的方式将属于边缘区域的部分进行了剔除处理。同时,引入了AP聚类算法,将数据泄露检测问题转化为原始轻量级数据点初始连接能力计算和连接能力衰减状态计算的问题,从而根据聚类后数据簇内数据点之间的关系确定数据泄露状态。在测试结果中,设计检测方法的输出结果与实际设置值表现出较高的拟合度,对应的误差始终稳定在0.008以下,最小误差为0。

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。

结合遗传算法的RF-DBN入侵检测方法

针对目前不平衡数据集少数类攻击样本识别率较低的问题,提出一种BorderlineSMOTE、随机森林和遗传算法(genetic algorithm,GA)-深度信念网络(deep belief network,DBN)相结合的入侵检测方法。首先采用BorderlineSMOTE对少数类样本进行过采样,减少数据集的不平衡度;然后使用随机森林算法实现正异常数据分类,筛选出异常数据;最后采用经GA优化的DBN网络对异常数据进行进一步分类。使用网络安全数据集CICIDS2017进行验证,该方法的准确率达到了99.85%,而且少数类样本的识别精度也有明显提高。

Spark框架下改进TrAdaBoost分布式入侵检测算法研究

在海量网络数据中实现快速准确检测网络攻击具有重要意义。然而传统单机模式对于大数据存储和分析存在巨大局限性,同时实际网络入侵检测中难以满足源域和目标域独立同分布的条件导致入侵检测性能不高。针对以上问题,文中提出Spark框架下改进TrAdaBoost分布式入侵检测算法。该方法在基于Apache Spark的云平台Databricks下进行代码开发工作,从权重更新和最终输出机制两方面改进传统TrAdaBoost,将其应用于网络入侵检测。在NSL-KDD的仿真实验结果表明,所提方法性能相比于传统TrAdaBoost更加稳定,对少数类攻击检测有较大提升,算法整体准确率和精准率达到97%,误报率为1.4%,优于当前传统入侵检测算法。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

无线传感网络中一种基于RF-GAN模型的入侵检测算法

针对现有无线传感网络入侵检测算法存在的效率低、精度差等问题,提出基于RFGAN模型的无线传感网络入侵检测算法。首先,采集无线传感网络运行数据,通过去噪、缺失补偿等步骤,完成对原始数据的预处理;然后,利用RF-GAN模型提取无线传感网络运行特征;最后,通过提取特征与检测标准的匹配,得出网络入侵检测结果。理论分析及实验结果表明:优化设计方法的入侵类型误检率明显更低,入侵数据量检测误差为0.015GB,相较于现有检测算法具有一定优势。

基于GA-SVM算法的无线局域网络入侵信号检测方法

常规的无线局域网络入侵信号检测节点多为独立式设定,检测效率较低,导致入侵信号检测误检率较高,为此提出对基于GA-SVM算法的无线局域网络入侵信号检测方法。该方法首先采用关联的方式进行入侵信号特征提取,提升检测效率,设置关联性检测节点,构建GA-SVM测算入侵信号检测模型,采用定位分离方法来实现信号检测处理。测试结果表明:针对选定的300个采样点进行信号入侵检测,对比于传统分布式光纤网络入侵信号检测组、传统FastICA测算网络入侵信号检测组,此次所设计的GA-SVM测算网络入侵信号检测组最终得出的入侵信号检测误检率被较好地控制在20%以下,说明基于GA-SVM算法的检测效果更佳,针对性更强,具有实际的应用价值。

改进YOLOv5s的铁路异物入侵检测算法

行人、车辆等异物侵入铁路界线,严重威胁行人安全和铁路交通安全.针对传统铁路异物入侵检测方法精度低、时效性差等问题,提出改进YOLOv5s算法的铁路异物入侵检测模型SD-YOLO.本文提出SSA混合注意力机制,加强模型的局部表征能力,提高小目标识别效果;提出DW-Decoupled Head解耦检测头,加快网络收敛速度;引入边界框回归损失函数SIoU,提高了模型的检测精度;使用转置卷积作为采样方法,采样更适合铁路侵限障碍物特征的尺寸和比例.在数据集RS和Pascal VOC 2012进行实验验证,与基线YOLOv5s算法相比,平均精度mAP@0.5分别提高了2.7%、1.8%,mAP@.5:.95分别提高了2.9%、2.1%,检测速度分别达到79 FPS和78 FPS,表明该算法在检测精度和速度上均取得良好的性能,有效改善了漏检、误检问题,提高了小目标识别能力.

面向雾计算的个性化轻量级分布式网络入侵检测系统

随着物联网技术不断发展,低时延高动态大带宽的新型物联网应用不断出现。这些需求导致海量设备和信息广泛聚集在网络边缘,因而推动了雾计算架构的出现和深入发展。而随着雾计算架构的广泛深入应用,为了保障其安全所部署的分布式网络安全架构也面临着雾计算本身所带来的挑战,如雾计算节点计算和网络通信资源的局限性以及雾计算应用的高动态性限制了复杂网络入侵检测算法的边缘化部署。为了有效解决上述问题,提出了一个面向雾计算架构的个性化轻量级分布式网络入侵检测系统(PLD-NIDS)。该系统基于卷积神经网络架构训练大规模复杂网络流入侵检测模型,同时进一步采集各雾计算节点的网络流量类型分布情况,提出个性化模型蒸馏算法和基于加权一阶泰勒近似剪枝算法对复杂模型进行快速个性化压缩,突破了传统模型压缩算法在面对大量个性化节点时由于压缩计算开销过大而只能提供单一压缩模型用于边缘节点部署的局限性。根据实验结果,所提的PLD-NIDS架构能够实现边缘入侵检测模型的快速个性化压缩。与传统模型剪枝算法相比,所提出的架构在计算损耗和模型精度上取得了较好平衡。在模型精度上,所提的加权一阶泰勒近似剪枝算法与传统一阶泰勒近似剪枝算法相比,在同样的0.2%模型精度损失条件下能够提升约4%的模型压缩比。

多策略改进的被囊群算法在入侵检测中的应用

针对被囊群优化算法应用于网络入侵检测系统存在算法收敛速度较慢,容易陷入局部最优解的缺陷,提出一种适用于XGBoost的参数寻优以及特征选择的改进被囊群优化算法。应用Tent混沌映射和自适应步长两种策略加快算法的收敛,融合莱维飞行策略增强个体的路径扰动帮助算法更好跳出局部最优解。仿真结果表明,改进后优化算法收敛速度更快,更加稳定,寻优精度更高,在XGBoost上的应用相较于其它机器学习算法,取得了更好的检测结果,有效提高了网络入侵检测的性能。

用于入侵检测特征选择的改进灰狼优化算法

针对标准GWO收敛精度低、易早收敛等问题,提出了一种改进灰狼优化算法GPGWO。首先为了使狼群均匀分布在搜索空间中,结合拉丁超立方体抽样与反向学习来初始化种群位置;然后增加迭代计算过程中狼群的多样性,将灰狼分成不同类型个体,使用不同的位置更新策略;最后对α狼进行随机Levy飞行游走,迫使其离开原本位置。将GPGWO与3种改进GWO算法在广泛使用的10个基准函数上进行比较,仿真结果表明,GPGWO在寻优方面具有一定的优势。随后把GPGWO应用在入侵检测特征选择场景中,通过与不同的分类器相结合形成特征选择算法,实现对高维数据集的降维处理,通过对入侵检测数据集的实验证明,该算法能够保留最优的特征子集,仅用部分特征就能获得最佳的检测效果。

基于遗传算法和随机森林的入侵检测方法研究

入侵检测系统中,待测数据通常存在特征数量多、具有冗余性和相关性的特点,导致检测准确率降低、检测时间增加。提出一种基于多层感知机的遗传算法,建立4层感知机神经网络,将网络的分类能力作为遗传算法适应度评价方法,筛选出最优特征子集,建立随机森林分类器,使用网格验证方法确定随机森林超参数值,利用选取出的特征子集进行入侵类型识别。实验结果表明,该方法在KDD99数据集上对正常和22种类别的入侵数据平均检测准确率达到92%以上,并且具有较好的实时性。

基于快速扩散生成模型的地铁轨道异物入侵检测算法研究

针对现有基于无监督的地铁轨道异物检测算法中,对不同视角需要进行单独训练模型的问题,提出一种基于快速扩散生成模型的统一模型检测算法。该模型基于扩散模型,在仅使用正常样本训练一个模型的条件下,实现对多个视角异物入侵检测。检测时,扩散模型对存在异物的图像部分重构为无异物,然后将重构图像和原图进行比对得出存在异物的位置。研究发现,通过合理设计扩散步长和采样时刻,扩散模型能够在不需要扩散过程的情况下,直接对图像中的异常部分进行重构,使其和正常样本一致。为加速扩散模型的采样生成过程,在求解扩散模型的常微分方程的解过程中,分解方程中线性与非线性部分,对线性部分精确求解而对非线性部分进行近似求解。在不添加其他检测网络的条件下,算法利用扩散模型中深度神经网络的编码器部分,对重构图像和原图进行特征提取,在不同尺度上对比两者特征差异,由此得到异常热力图。实验结果表明,该模型在仅需要4次神经网络前馈的条件下,受试者曲线下面积积分比在图像级别和像素级别上分别达到99.05%和97.62%,相比其他单一视角检测模型性能上达到较优水平。本研究为地铁轨道异物检测提出一种仅依赖于正常样本的统一模型的检测算法,能够行之有效地解决已有算法不能对多个视角进行检测的问题。

基于对抗性双通道编码器的网络入侵检测算法

针对网络流量数据不平衡引起少数类攻击检测率低的问题,提出一种基于对抗性双通道编码器的入侵检测算法。分别采用正常流量和攻击流量来训练变分自编码器模型,构建基于自编码器派生流量数据的多通道表示形式的新特征向量,驱动生成对抗网络的生成过程朝向目标类,生成的少数类图像,有效地扩充数据集;通过引入CBAM模块来改进生成器的网络结构,融合通道和空间两个方向的特征,增强模型的特征提取能力;将判别器输出调整为单目标分类并加入softmax层,输出Fake、Normal和Attack结果,避免生成器生成无法与所需类型匹配的图像而获得奖励,提高生成图片的质量。实验结果表明,该方法能够有效降低误报率以及提高未知攻击的检测精度,尤其在不平衡数据集中具有更多的优势。