融合CNN-BiGRU和注意力机制的网络入侵检测模型

为提高网络入侵检测模型特征提取能力和分类准确率,提出了一种融合双向门控循环单元(CNN-BiGRU)和注意力机制的网络入侵检测模型.使用CNN有效提取流量数据集中的非线性特征;双向门控循环单元(BiGRU)提取数据集中的时序特征,最后融合注意力机制对不同类型流量数据通过加权的方式进行重要程度的区分,从而整体提高该模型特征提取与分类的性能.实验结果表明:其整体精确率比双向长短期记忆网络(BiLSTM)模型提升了2.25%.K折交叉验证结果表明:该模型泛化性能良好,避免了过拟合现象的发生,印证了该模型的有效性与合理性.

让网络入侵者无处遁迹

电脑辨析学课堂(下) 上一期我们详细介绍了电脑辨析学这个新形势下的网络安全新理论,把用户保护企业网络安全的认识提到了如何应用辨析程序对付网络犯罪。

IDS让网络入侵者无处藏身

随IDS(入侵检测系统)诞生已久,尽管安全形势发生了很大变化,但其仍旧是不可或缺的安全防护措施,如何更好地发挥其优势是安全人员的重要工作。

基于异常保持的弱监督学习网络入侵检测模型

网络入侵检测系统对维护网络安全至关重要,目前针对只有较少异常标记网络数据的入侵检测场景的研究较少。基于数据的异常保持性,设计了基于异常保持的弱监督学习网络入侵检测模型WIDS-APL,该检测模型包含数据转换层、表征学习层、转换分类层和异常判别层4部分,利用一组可学习的编码器将样本映射到不同区域并压缩到超球体,利用异常样本的标签信息学习正常样本和异常样本的分类界限,得到样本的异常分数。在4个数据集上的测试结果表明了该模型的有效性和鲁棒性,相比4个主流算法,在AUC-ROC值上分别提升了4.80%,5.96%,1.58%和1.73%,在AUC-PR性能上分别提升了15.03%,2.95%,4.71%和9.23%。

融合改进自编码器和残差网络的入侵检测模型

互联网中存在大量隐私数据,因此防止网络入侵成为保护网络安全的关键问题。为提高网络入侵检测的准确率并解决其收敛慢问题,设计一种改进的堆叠自动编码器和残差网络(ISAE-ResNet)入侵检测模型。融合栈式自编码器和残差网络,首先将预处理后的数据输入到改进的栈式自编码器中,该栈式自编码器由2个副编码器和1个主编码器组成,数据经过副编码器和主编码器训练后重构出新的特征来防止过拟合问题;然后将解码层的权重捆绑到编码层进行优化,使模型参数减半来进行降维,提高模型的收敛速度;最后将处理过的数据输入到改进的残差网络中,并基于改进的ResNet网络设计一种加入软阈值函数的残差模块,通过降低数据中的噪声来提高模型准确率。在CIC-IDS-2017数据集上的实验结果表明,该模型准确率为98.67%,真正例率为95.93%,误报率为0.37%,损失函数值快速收敛至0.042,在准确率、真正例率、误报率和收敛速度方面均超过对比入侵检测模型,具有较高的有效性和可行性。

基于机器学习与DBN网络的网络入侵检测方法研究

随着计算机网络的发展,网络入侵的情况也越来越严重。传统网络入侵检测方法存在检测效率低、误判率高的情况,为了解决这些问题,提出了一种基于支持向量机的深度置信网络(SVM-DBN)的入侵检测方法。通过对支持向量机(SVM)进行优化,将支持向量机与深度信念网络(DBN)融合,利用SVM、DBN与SVM-DBN在网络入侵数据集中进行对比。结果表明,SVM-DBN算法的误差率最低,比DBN和SVM的误差率平均值分别低了8.95%,12.70%,且SVM-DBN算法在训练次数为140次时最大绝对百分比误差为4.8%,均优于对比方法。这说明SVM-DBN网络能够有效地提高网络入侵检测的精度和效率。

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。

基于分割点改进孤立森林的网络入侵检测方法

随着网络攻击的不断增多和日益复杂化,传统基于监督的网络入侵检测算法不能准确识别没有类别标记或特征不明显的网络访问链接,而对于无监督的网络入侵检测算法,也存在检测效率和准确率低等问题。针对如何进一步提升网络入侵检测性能,提出使用自编码器(AE)与分割点改进孤立森林模型对网络入侵进行检测。首先,对无监督自编码器进行L1正则化,以增强自编码器的稀疏性,通过学习数据内在结构,自适应地提取具有判别性的特征,完成入侵攻击的特征提取;然后,使用改进的孤立森林分离异常点,即使用最大化均值与标准差之商来确定分割点划分最佳超平面来构建隔离树,使隔离树在相关子空间中具有更强隔离异常值的能力,并通过遍历所有隔离树中数据点的平均路径长度得到异常得分来判定异常流量。在KDDCUP99和UNSW-NB15数据集上的实验结果表明,与6种传统无监督方法相比,该方法较传统孤立森林准确率和召回率均提升约20%,F1值和曲线下面积(AUC)值均提升约10%,较其他无监督方法相比大幅降低了误码率。

基于互信息与萤火虫算法的网络入侵特征选择

为减少网络入侵检测数据中的冗余特征,提出一种结合互信息和萤火虫算法的特征选择方法。针对互信息不能精确计算特征间冗余度,提出类内特征冗余互信息特征选择方法。针对萤火虫算法步长因子固定易使算法陷入局部最优等问题,提出自适应步长萤火虫算法特征选择。以上方法分别选取特征子集后利用投票策略选取最优子集,对该子集基于C4.5和贝叶斯网络分类器分类。实验结果表明,使用10个特征检测能有效提高入侵检测率、误报率和F-measure,同时还缩短训练和检测时间。此外,与现有的几种方法相比,该方法在准确率、检测率和F-measure都获得不错效果。

基于改进深度学习的主动式通信网络入侵行为自适应识别算法

针对外界参数变化较大时会严重影响识别准确率的问题,设计一种基于改进深度学习的主动式通信网络入侵行为自适应识别算法。归一化主动式通信数据,将卷积神经网络和BGRU进行结合,构建一个端到端检测攻击的改进型的循环神经网络,优化激活函数与逻辑回归分类器,稳定且自适应地识别主动式通信网络入侵行为。实验结果表明,所提算法在卷积核大小和学习率改变的情况下仍能保持较高的识别准确性,主动式通信网络入侵行为的识别结果具有自适应性。

智能化网络入侵行为检测模型的设计和实现

针对网络入侵行为的危害,本文提出将人工智能技术应用于网络入侵行为检测系统,增强其对抗不断进化的网络入侵行为的能力。本文基于PyTorch技术,构建了一个智能化网络入侵行为检测模型,并对模型的代码实现进行了详细的阐述。同时,定义了一组性能评价指标,监督模型的训练和调优过程,确保模型对网络入侵行为检测的准确性和可靠性。

基于CNN-BiGRU-ResNet的网络入侵检测研究

网络入侵检测是网络安全中的一项重要工作,其主要是通过网络、系统等信息对入侵行为进行判断,它可以及时地发现网络中的攻击行为,传统的网络入侵检测方法存在准确率低并且误报率高的问题,针对上述问题,提出了一种融合双向门控循环单元(BiGRU)、卷积神经网络(CNN)以及残差网络(ResNet)的网络入侵检测方法,该方法通过双向门控循环单元对时间序列特征以及卷积神经网络和残差网络对局部空间特征的提取,利用softmax分类器获得最终的分类结果。实验表明,与基于GRU和ResNet等方法相比,该方法的网络入侵检测效果比较好,其准确率较高,误报率更低。

Apriori优化算法的计算机网络入侵数据挖掘探究

本文以提高计算机网络入侵检测水平为前提,探讨关联规则算法(Apriori)优化算法在计算机网络入侵数据挖掘中的应用。首先介绍了Apriori优化算法,其次研究了该算法在数据挖掘中的应用要点,最后以实际仿真模拟案例的方式进行讨论,明确Apriori优化算法性能更佳,有利于提高计算机网络数据安全性,具有应用以及推广价值。

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。

基于云计算的网络入侵检测系统设计与实现

研究介绍了基于云计算的网络入侵检测系统(IDS)设计与实现。通过选择AWS云平台,配置传感器节点和搭建云环境,实现了数据的安全传输和存储。使用支持向量机算法开发了分析引擎,实现了实时入侵行为识别。

基于人工智能技术的轻量级网络入侵检测系统设计

以提升网络入侵检测技术水平为目的,设计基于人工智能技术的轻量级网络入侵检测系统。该系统数据采集层利用若干个用户探针连接IDS检测服务器后,使用网络数据包捕获模块捕获用户网络运行数据,再通过传输层内防火墙、核心交换机和MQTT/CoAP通信协议将用户网络运行数据发送到逻辑运算层内,该层利用数据预处理模块对用户网络运行数据进行去噪预处理后,将其输入到基于人工智能的网络入侵检测模块内,通过该模块输出轻量级网络入侵检测结果,然后将检测结果发送到展示层,通过入侵告警信息、数据可视化展示等模块实现人机交互。实验表明:该系统运行较为稳定,可有效检测不同类型网络入侵的同时,其检测及时性和入侵告警能力较好,应用效果良好。

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CNN-LSTM-Attention的工业控制系统网络入侵检测方法研究

随着各类网络攻击事件的增加,能源电力基础设施中工业控制系统安全问题也逐渐成为人们关注的焦点。结合电力系统的特点,提出一种融合卷积神经网络(convolutional neural network,CNN)、长短时记忆(long short-term memory,LSTM)神经网络和注意力(Attention)机制的CNN-LSTM-Attention网络入侵检测算法模型,通过在实验室仿真环境中构造和采集600 MW燃煤机组制粉系统在3种典型工况下受到网络攻击的运行状态数据集,对所提出的检测算法模型进行训练和评估。结果表明:相较于CNN、LSTM模型,所提出的入侵检测算法模型性能最优;模型准确率、精确率、召回率等评级指标均为最好,综合评价优于其他的入侵检测方法。该入侵检测算法模型具有较强的创新性和实用性。

基于卷积神经网络的网络入侵检测技术研究

网络入侵是指非授权访问和恶意攻击网络系统的行为,对网络和数据安全构成威胁。为了保护网络系统免受入侵的危害,设计和实现一个高效准确的网络入侵检测系统至关重要。因此,提出了一个基于深度学习的端到端网络入侵检测框架,利用卷积神经网络(Convolutional Neural Network,CNN)的特征提取和分类能力来识别网络流量中的恶意行为。使用公开的网络入侵检测数据集对该框架进行实验评估,并对系统性能进行了分析和比较。实验结果表明,所提出的基于CNN的网络入侵检测系统在准确性和效率方面取得了良好的表现,能够有效地检测和分类各种网络入侵行为。