基于GAN和特征选择技术的入侵检测数据增强

为了解决传统GAN模型的缺陷,更好地扩展网络入侵数据和缓解数据高维性问题,本文提出了GAN-CS数据增强模型。对数据进行预处理后,使用改进后的WGAN-GP对攻击数据进行增强,生成额外的攻击样本后,使用卡方检验方法选择最能够代表数据集的特征,生成用于分类器训练平衡后的数据集,最后使用多种不同的分类器对数据集进行分类,评估模型效果。本文基于UNSW-NB15分别进行了数据增强数据量选择实验、模型可行性实验、模型优越性比较等3个维度的实验。结果表明,在多个分类器下,本文提出的模型均表现出比同类模型更好的效果,可以有效提高入侵检测模型的检测性能。

不平衡数据下基于CNN的网络入侵检测

深度学习的自学习能力可以实现入侵检测系统的不断更新及扩展,增强入侵检测系统的防范能力,但目前大部分基于深度学习的网络入侵检测研究都未考虑到数据集类别不平衡问题.针对此问题,提出了一种类别重组技术结合Focal Loss损失函数的处理方法,用于原始网络入侵流量分类.该方法把原始流量生成灰度图输入卷积神经网络CNN进行特征提取学习,类别重组技术保证了训练集中攻击类别间的相对均衡,而Focal Loss损失函数通过影响类别权重提高了CNN模型对复杂样本的关注.在三个CNN模型上进行了实验,macro-f1分别提高了9.41%,1.65%和4.39%,结果表明该方法能够有效处理网络入侵检测中的类别不平衡问题,且明显提高了少数类样本的识别精度.

融合随机森林和梯度提升树的入侵检测研究

网络入侵检测系统作为一种保护网络免受攻击的安全防御技术,在保障计算机系统和网络安全领域起着非常重要的作用.针对网络入侵检测中数据不平衡的多分类问题,机器学习已被广泛用于入侵检测,比传统方法更智能、更准确.对现有的网络入侵检测多分类方法进行了改进研究,提出了一种融合随机森林模型进行特征转换、使用梯度提升决策树模型进行分类的入侵检测模型RF-GBDT,该模型主要分为特征选择、特征转换和分类器这3个部分.采用UNSW-NB15数据集对RF-GBDT模型进行了实验测试,与其他3种同领域的算法相比,RF-GBDT既缩短了训练时间,又具有较高的检测率和较低的误报率,在测试数据集上受试者工作特征曲线下的面积可达98.57%.RF-GBDT对于解决网络入侵检测数据不平衡的多分类问题具有较显著的优势,是一种切实可行的入侵检测方法.

深度强化学习在网络入侵中的应用研究

本研究旨在探索深度强化学习在网络入侵检测中的应用,来提高入侵检测系统的性能。首先,研究了一种基于深度强化学习的网络入侵检测系统架构,并分析了深度强化学习的特点。其次,研究了基于深度强化学习的网络入侵检测的基本原理和应用方法。最后,采用UNSW⁃NB15数据集对基于深度强化学习的入侵检测方法进行了测试,并评估了模型在准确率、召回率和精确率等指标上的表现。实验结果表明,本文研究的基于深度强化学习的网络入侵检测方法在各项指标上均取得了良好的表现,具有较高的实用性和可靠性。

利用改进灰狼算法优化BP神经网络的入侵检测

神经网络技术被广泛应用于网络安全领域,在入侵检测中能够实现网络攻击的主动检测和攻击分类.然而随着恶意攻击的不断演化,神经网络技术存在的弊端日益显现.针对BP神经网络在入侵检测过程中存在的初始值随机性较大以及易陷入局部最优的问题,本文提出一种改进灰狼算法优化BP神经网络的入侵检测模型(IGWO-BP).首先,使用混沌映射初始化种群、设计非线性收敛因子以及动态权重策略对传统灰狼算法进行改进,并以此优化BP神经网络的初始权值和阈值,并运用改进BP神经网络对网络安全数据集进行实际检测.实验结果表明,IGWO-BP模型在NSL-KDD和UNSW-NB15数据集上取得了较优的检测结果,与其它现有模型相比性能也有较大提升.

联合多重卷积与注意力机制的网络入侵检测

利用深度学习方法建立一种网络入侵检测模型CAL.该模型通过多重卷积提取数据流的深层特征,利用注意力机制提取代表数据流结构特点的关键特征,以提高对不同数据流特点的表达能力,并通过池化计算压缩数据,提高模型泛化能力,使用基于CuDNN加速的长短时记忆网络,在学习数据流上下文特征和时序信息的同时,加速模型收敛.在数据集UNSW-NB15上进行实验,结果表明,CAL模型的识别准确率为90.37%,多类型入侵流的识别准确率为78.94%,性能表现优于其他已有方法.

一种混合采样与膨胀卷积相结合的入侵检测模型设计

基于机器学习的入侵检测模型在网络环境的安全保护中起着至关重要的作用。然而,入侵检测数据集存在不平衡类问题,限制了分类器对少数类的检测性能,降低了少数类的检测率。为了解决入侵检测数据集数据不平衡的问题,提出一种新的混合采样技术(SSG),由基于支持向量机(SVM)合成少数类过采样(SMOTE)算法和高斯混合模型(GMM)欠采样聚类技术相结合。其次,为了解决网络入侵数据特征学习不充分的问题,运用特征提取功能强的膨胀卷积神经网络模型(DCNN),使用膨胀卷积来增大对信息的感受野,从而提取高级特征。在UNSW-NB15数据集进行多分类实验,取得了97.04%的检测准确率,实验结果优于其他模型和现有的方法,为大规模不平衡的网络数据入侵检测提供了一个有效的方案。

基于EQPSO-GS优化SVM的入侵检测模型研究

支持向量机(Support Vector Machine,SVM)的惩罚因子C和核参数σ影响模型分类精度和泛化性能。传统进化算法优化支持向量机时主要存在早熟收敛、优收敛速度慢、收敛精度低以及泛化性能不高等问题。针对这些问题,将精英策略与量子粒子群算法融合,提出了精英量子粒子群算法(Elite Quantum Particle Swarm Optimization Algorithm,EQPSO),既提高了种群收敛速度,也一定程度上避免了算法局部收敛,凭借其全局探索能力初探参数范围,并通过网格搜索算法(Grid Search Algorithm,GS)提高开发能力做进一步的优化,将优化好的SVM模型用于入侵检测。利用入侵检测数据集UNSW-NB15对传统的进化算法优化支持向量机模型进行仿真实验,通过交叉验证对比EQPSO-GS-SVM、QPSO-SVM、PSO-SVM、DE-SVM模型,得出EQPSO-GS优化的SVM模型具有更好的泛化性能。

利用麻雀搜索算法优化深度置信网络的入侵检测研究

针对人工经验设定深度置信网络的网络结构致使其很难达到最优,进而导致深度置信网络的性能无法完全发挥的问题,提出利用麻雀搜索算法优化深度置信网络的入侵检测模型。实验结果表明:相比未优化的深度置信网络,性能有显著提升,该模型优异的性能有效提高了入侵检测识别的效率。

稀有气体二聚体解析势能函数的高精度拟合

原子间相互作用势的计算是原子分子物理研究领域的重要组成部分,它的精确计算为新型材料的研究奠定了理论基础;同时也为密度泛函等方法的评价、测试提供了标准对比数据.本文首先以最近所发表的Ng D×15基准集为基础,在相同的计算方法下补充了其它点的一系列数据;以此为标准利用最小二乘法对He_(2)—Rn_(2)体系的相互作用势函数进行了拟合;从而得到了高精度全部同核稀有气体二聚体相互作用势函数的解析式.同时以CCSD(T)/aug-cc-p V5Z-{6s6p6d3f2g1h}计算结果为标准与Gordon的MGCD84数据库中现有He2-Kr2体系的相互作用势数据进行了比较;总体发现本文的计算精度是非常高的,也证明了拟合结果的可靠性;并且给出了目前量子化学方法难以计算的近核区相互作用势数值.

基于独热编码和卷积神经网络的异常检测

目前基于深度学习的网络异常检测是入侵检测领域新的研究方向,但是大部分研究都是利用数据挖掘处理后的特征数据进行特征学习和分类。该文利用UNSWNB15作为主要研究数据集,利用独热编码对数据集中的原始网络包进行编码,维度重构后形成二维数据,并利用GoogLeNet网络进行特征提取学习,最后训练分类器模型进行检测。实验结果表明:该方法能有效处理原始网络包并进行网络攻击检测,检测精度达到99%以上,高于基于特征数据进行的深度学习检测方法。