基于深度信念網(wǎng)絡(luò)的入侵檢測算法研究.pdf

1、隨著網(wǎng)絡(luò)的廣泛普及與應(yīng)用，網(wǎng)絡(luò)安全的關(guān)注度持續(xù)升溫，已經(jīng)上升至國家戰(zhàn)略層面。入侵檢測技術(shù)是網(wǎng)絡(luò)安全學(xué)科的重要組成部分，是一種有效的網(wǎng)絡(luò)安全防護措施。傳統(tǒng)入侵檢測技術(shù)存在著檢測方法單一、檢測性能差、自適應(yīng)能力低等問題。由于網(wǎng)絡(luò)規(guī)模日益擴大、網(wǎng)絡(luò)攻擊手段呈現(xiàn)多樣化以及新漏洞不斷出現(xiàn)，傳統(tǒng)入侵檢測技術(shù)已無法滿足當前網(wǎng)絡(luò)安全需要。深度信念網(wǎng)絡(luò)是機器學(xué)習(xí)領(lǐng)域的一門前沿技術(shù)，具有非線性的網(wǎng)絡(luò)結(jié)構(gòu)以及能夠抽取數(shù)據(jù)的本質(zhì)特征等優(yōu)點，已在計算機視覺、語音

2、識別、自然語言處理等領(lǐng)域取得矚目的成果。將深度信念網(wǎng)絡(luò)(Deep Belief Networks，DBN)引入到入侵檢測領(lǐng)域以解決當前網(wǎng)絡(luò)安全面臨的問題變得極為迫切。本文主要完成了下述幾方面的工作:
　　(1)提出基于自適應(yīng)深度信念網(wǎng)絡(luò)的入侵檢測算法
　　針對入侵檢測要求具有較高的自適應(yīng)能力，傳統(tǒng)深度信念網(wǎng)絡(luò)中對比散度算法采樣容易陷入局部最優(yōu)值以及訓(xùn)練過程中對學(xué)習(xí)率參數(shù)敏感等問題，提出基于自適應(yīng)深度信念網(wǎng)絡(luò)的入侵檢測算法。首

3、先，從統(tǒng)計力學(xué)的角度分析深度信念網(wǎng)絡(luò)的組成部件受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)模型能量變化趨勢。其次，為了克服固定經(jīng)驗式學(xué)習(xí)率致使系統(tǒng)不穩(wěn)定問題，提出一種基于能量變化的學(xué)習(xí)率尋優(yōu)策略。最后，將并行回火算法與該尋優(yōu)策略相結(jié)合，提出基于自適應(yīng)深度信念網(wǎng)絡(luò)的入侵檢測算法——ADBN(Adaptive Deep Belief Networks)。通過實驗驗證，該算法有效提高了入侵檢測的檢測率等指

4、標。
　　(2)提出基于深度信念網(wǎng)絡(luò)與隨機森林的入侵檢測算法
　　針對入侵行為種類多，高維網(wǎng)絡(luò)數(shù)據(jù)特征提取困難以及誤報率高等問題，結(jié)合深度信念網(wǎng)絡(luò)與集成算法的優(yōu)勢，提出基于深度信念網(wǎng)絡(luò)與隨機森林的入侵檢測算法——DBN-RFS(Deep Belief Networks-Random Forests)。該算法利用多層的非線性結(jié)構(gòu)進行特征提取，將高維的網(wǎng)絡(luò)數(shù)據(jù)映射到低維空間。在特征提取過程中，抽取不同隱藏層的特征構(gòu)成組合特征。最

5、后將組合特征輸入到隨機森林中進行入侵檢測識別。實驗結(jié)果表明，該方法有效提高入侵檢測的檢測率，并降低了誤報率。
　　(3)提出面向不平衡網(wǎng)絡(luò)數(shù)據(jù)的混合入侵檢測模型
　　針對網(wǎng)絡(luò)數(shù)據(jù)具有入侵行為分布不平衡的特殊性，傳統(tǒng)入侵檢測算法存在對少數(shù)類入侵行為檢測率低等問題，提出一種面向不平衡網(wǎng)絡(luò)數(shù)據(jù)的混合入侵檢測模型。該模型的數(shù)據(jù)預(yù)處理模塊中，引入針對少數(shù)類數(shù)據(jù)提出改進的SMOTE算法(Synthetic MinorityOver-sa