一、入侵檢測系統(tǒng)的發(fā)展與研究（論文文獻綜述）
白宏鵬,鄧東旭,許光全,周德祥[1]（2022）在《基于聯(lián)邦學(xué)習(xí)的入侵檢測機制研究》文中提出大數(shù)據(jù)時代的到來使得數(shù)據(jù)成為社會發(fā)展的重要戰(zhàn)略資源。然而隨著網(wǎng)絡(luò)環(huán)境日趨復(fù)雜化,隱私泄露和惡意攻擊事件層出不窮。聯(lián)邦學(xué)習(xí)作為一種新型數(shù)據(jù)共享模型,能夠在保護數(shù)據(jù)隱私的前提下進行數(shù)據(jù)共享,有效解決了傳統(tǒng)入侵檢測模型的弊端。文章首先介紹了聯(lián)邦學(xué)習(xí)及入侵檢測模型的構(gòu)成及特點,提出了基于聯(lián)邦學(xué)習(xí)的入侵檢測機制,并深入分析了該檢測機制在檢測準確率及效率上有效提升的可行性。通過對模型進行需求分析和設(shè)計,并以函數(shù)編程進行模擬仿真實驗,實現(xiàn)原型系統(tǒng)開發(fā)。實驗表明聯(lián)邦學(xué)習(xí)機制能夠在保證參與客戶端數(shù)據(jù)隱私安全的前提下實現(xiàn)多方攻擊行為日志的共享。多組控制變量的對照實驗表明,基于聯(lián)邦學(xué)習(xí)的入侵檢測機制在檢測準確率及效率上得到明顯改善。
于博文[2]（2021）在《基于深度包檢測和生成對抗網(wǎng)絡(luò)的入侵檢測關(guān)鍵技術(shù)研究與實現(xiàn)》文中研究表明隨著通信網(wǎng)絡(luò)技術(shù)的發(fā)展,網(wǎng)絡(luò)流量呈現(xiàn)爆發(fā)式增長,隨之而來的是網(wǎng)絡(luò)攻擊事件頻發(fā),攻擊形式呈現(xiàn)出復(fù)雜多變的特點?；诰W(wǎng)絡(luò)的入侵檢測系統(tǒng)（NIDS）可實時監(jiān)測網(wǎng)絡(luò)環(huán)境,第一時間保護整個網(wǎng)段下終端設(shè)備的安全,該系統(tǒng)已經(jīng)成為網(wǎng)絡(luò)安全中重要的組成部分?；谝?guī)則的入侵檢測技術(shù)需頻繁更新規(guī)則庫以應(yīng)對新攻擊的出現(xiàn),而基于淺層機器學(xué)習(xí)的入侵檢測技術(shù)因需要手動選擇和提取特征,極大依賴于專家經(jīng)驗,二者均費時費力。而基于深度學(xué)習(xí)的入侵檢測技術(shù)可根據(jù)當下的網(wǎng)絡(luò)環(huán)境自動建模,已成為入侵檢測領(lǐng)域研究的新熱點。盡管深度學(xué)習(xí)算法可自動學(xué)習(xí)惡意流量的特征,但在真實的網(wǎng)絡(luò)環(huán)境下深度學(xué)習(xí)算法存在三大問題:第一,有監(jiān)督的深度學(xué)習(xí)算法無法識別未知的惡意攻擊,往往未知的惡意攻擊最具破壞力;第二,有監(jiān)督的深度學(xué)習(xí)算法需要龐大的有標簽數(shù)據(jù)集,而其中有標簽惡意流量數(shù)據(jù)集更極難獲取;第三,無監(jiān)督的深度學(xué)習(xí)算法雖然能檢測未知的惡意攻擊且不需要帶標簽的數(shù)據(jù)集,但無法識別具體的惡意攻擊。本文提出一種基于無監(jiān)督的NIDS深度異常檢測技術(shù)和深度包檢測技術(shù)相融合的解決方案。利用基于無監(jiān)督的NIDS深度異常檢測技術(shù)解決有監(jiān)督的深度學(xué)習(xí)算法無法識別未知攻擊和需要帶標記數(shù)據(jù)集的問題,利用深度包檢測技術(shù)解決無監(jiān)督算法無法檢測具體惡意攻擊的問題,提升NIDS對未知惡意攻擊的檢測能力。本文的主要貢獻有如下:（1）提出了一種新型的入侵檢測系統(tǒng)框架,即基于無監(jiān)督的NIDS異常檢測技術(shù)與深度包檢測技術(shù)相融合的解決方案,提高入侵檢測系統(tǒng)檢測未知惡意攻擊的能力。（2）提出了一種基于堆疊式自動編碼器的NIDS異常檢測算法CE-SAE,該算法主要用于區(qū)分正常網(wǎng)絡(luò)流量與惡意網(wǎng)絡(luò)流量。CE-SAE算法通過對模型增加稀疏性約束并修改損失函數(shù)提升性能,實驗結(jié)果證明該算法優(yōu)于相同網(wǎng)絡(luò)結(jié)構(gòu)的SAE算法。（3）提出了一種基于變分自動編碼器的NIDS異常檢測算法COD-VAE,通過引入一維卷積網(wǎng)絡(luò)來提升算法提取序列化網(wǎng)絡(luò)流特征的能力。COD-VAE通過學(xué)習(xí)正常網(wǎng)絡(luò)流分布來區(qū)分網(wǎng)絡(luò)流中的惡意流量,實驗結(jié)果證明該算法的性能表現(xiàn)優(yōu)于CE-SAE算法。（4）提出了基于生成對抗網(wǎng)絡(luò)的NIDS異常檢測算法Packet-GAN,該模型在COD-VAE的基礎(chǔ)上加入判別器,采用對抗學(xué)習(xí)的方式幫助生成器更好學(xué)習(xí)正常網(wǎng)絡(luò)流的空間分布情況,以區(qū)分正常網(wǎng)絡(luò)流量與惡意網(wǎng)絡(luò)流量。實驗結(jié)果證明Packet-GAN深度異常檢測算法相比于CE-SAE、COD-VAE算法有著更高的查準率和更低的誤報率。
陳曉安[3]（2021）在《計算機網(wǎng)絡(luò)入侵檢測系統(tǒng)的研究》文中認為本文在論述計算機入侵檢測技術(shù)原理的基礎(chǔ)上,探討了計算機網(wǎng)絡(luò)入侵檢測系統(tǒng)的基本框架和結(jié)構(gòu)模型,對基于主機入侵、基于網(wǎng)絡(luò)入侵、基于主機檢測的分布式入侵和基于網(wǎng)絡(luò)檢測的分布式入侵檢測系統(tǒng)的結(jié)構(gòu)進行深入分析,最后對計算機網(wǎng)絡(luò)系統(tǒng)入侵檢測系統(tǒng)的算法和改進的多模式匹配算法進行探究,旨在為快速提升計算機網(wǎng)絡(luò)入侵檢測系統(tǒng)的研發(fā)水平帶來一定參考和啟迪。
李健[4]（2021）在《某實驗室工控系統(tǒng)網(wǎng)絡(luò)入侵檢測技術(shù)研究》文中研究說明工業(yè)控制系統(tǒng)廣泛應(yīng)用于電力、水利、冶金、石油等行業(yè),它由各種自動化控制設(shè)備組件和實時數(shù)據(jù)采集、監(jiān)測的網(wǎng)絡(luò)系統(tǒng)共同構(gòu)成,是國家關(guān)鍵基礎(chǔ)設(shè)施的核心,一旦遭受攻擊,容易造成國家經(jīng)濟損失,甚至威脅到人民生命財產(chǎn)安全。隨著信息化和工業(yè)化的逐步融合,工業(yè)控制系統(tǒng)內(nèi)部通信網(wǎng)絡(luò)逐漸與互聯(lián)網(wǎng)互聯(lián)互通,不可避免地打破了工控系統(tǒng)原有的軟硬件封閉,容易遭受更多的攻擊,因此工業(yè)控制系統(tǒng)所受到的網(wǎng)絡(luò)安全威脅與風(fēng)險也在不斷加大,所以對工業(yè)控制系統(tǒng)安全性的研究變得十分迫切,需要以此來確保工控系統(tǒng)的安全運行。入侵檢測技術(shù)是工業(yè)控制系統(tǒng)網(wǎng)絡(luò)安全中最重要的安全預(yù)防措施之一,它能有效檢測出已知攻擊,提高工業(yè)控制系統(tǒng)識別攻擊和預(yù)警的能力。然而,由于工控系統(tǒng)的實時性要求和設(shè)備資源的有限性,現(xiàn)有的工控系統(tǒng)入侵檢測方法仍存在一些不足,如檢測效率低、無法快速有效識別未知攻擊等。因此需要設(shè)計合理的入侵檢測方法來提高工控系統(tǒng)的入侵檢測率、降低漏報率和誤報率。本文在現(xiàn)有研究成果的基礎(chǔ)上,分析工控系統(tǒng)網(wǎng)絡(luò)安全特性,針對基于網(wǎng)絡(luò)流量的入侵檢測展開了研究,進行以下主要工作:1)提出了一種基于多種二分類算法結(jié)合的特征選擇方法,能夠?qū)崿F(xiàn)工控網(wǎng)絡(luò)數(shù)據(jù)降維。根據(jù)工控網(wǎng)絡(luò)數(shù)據(jù)多源性、復(fù)雜性和高維性的特點,提出了適用于工業(yè)控制系統(tǒng)信息數(shù)據(jù)降維的特征選擇方法。該方法將多種二分類算法相結(jié)合,通過包裹式特征過濾,得到新的并且包含主要特征的特征子集。2)對數(shù)據(jù)進行特征選擇后,新的數(shù)據(jù)集訓(xùn)練基于AdamW優(yōu)化的神經(jīng)網(wǎng)絡(luò)入侵檢測模型。首先,選擇特征子集,用于入侵檢測模型的訓(xùn)練,經(jīng)訓(xùn)練得到優(yōu)化后的入侵檢測模型,并保存參數(shù)設(shè)置;然后采用工業(yè)控制系統(tǒng)信息入侵檢測特性的數(shù)據(jù)集KDD CUP 99,來驗證所設(shè)計的入侵檢測模型的有效性;實驗結(jié)果表明,基于AdamW優(yōu)化的神經(jīng)網(wǎng)絡(luò)入侵檢測模型比傳統(tǒng)入侵檢測模型在檢測準確率方面有所提升,在漏報率和誤報率方面顯著下降,同時對降維數(shù)據(jù)和原始降維數(shù)據(jù)進行實驗對比,實驗表明,降維后試驗在檢測正確率方面提升,提高了0.91%,誤報率降低了36.93%,漏報率降低了27.74%,總體來看,降維后的數(shù)據(jù)能有效地改善模型的性能。同時又比較了Adam與AdamW之間的泛化性,結(jié)果表明,改進后的AdamW泛化性比改進前的Adam更加優(yōu)秀。3)對工業(yè)控制網(wǎng)絡(luò)入侵檢測系統(tǒng)的數(shù)據(jù)可視化設(shè)計與實現(xiàn)過程進行了簡單的說明,并結(jié)合系統(tǒng)結(jié)構(gòu)圖和功能圖對系統(tǒng)的功能點逐一介紹分析。
李貝貝,宋佳芮,杜卿蕓,何俊江[5]（2021）在《DRL-IDS:基于深度強化學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)入侵檢測系統(tǒng)》文中研究指明近年來,工業(yè)物聯(lián)網(wǎng)迅猛發(fā)展,在實現(xiàn)工業(yè)數(shù)字化、自動化、智能化的同時也帶來了大量的網(wǎng)絡(luò)威脅,且復(fù)雜、多樣的工業(yè)物聯(lián)網(wǎng)環(huán)境為網(wǎng)絡(luò)入侵者創(chuàng)造了全新的攻擊面。傳統(tǒng)的入侵檢測技術(shù)已無法滿足當前工業(yè)物聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡(luò)威脅發(fā)現(xiàn)需求。對此,文中提出了一種基于深度強化學(xué)習(xí)算法近端策略優(yōu)化（Proximal Policy Optimization 2.0,PPO2）的工業(yè)物聯(lián)網(wǎng)入侵檢測系統(tǒng)。該系統(tǒng)將深度學(xué)習(xí)的感知能力和強化學(xué)習(xí)的決策能力相結(jié)合,以實現(xiàn)對工業(yè)物聯(lián)網(wǎng)多種類型網(wǎng)絡(luò)攻擊的有效檢測。首先,運用基于LightGBM的特征選擇算法篩選出工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)中最有效的特征集合;然后,結(jié)合深度學(xué)習(xí)算法將多層感知器網(wǎng)絡(luò)的隱藏層作為PPO2算法中的價值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)的共享網(wǎng)絡(luò)結(jié)構(gòu);最后,基于PPO2算法構(gòu)建入侵檢測模型,并使用ReLU（Rectified Linear Unit）進行分類輸出。在美國能源部橡樹嶺國家實驗室公開發(fā)布的工業(yè)物聯(lián)網(wǎng)真實數(shù)據(jù)集上開展的大量實驗表明,所提出的入侵檢測系統(tǒng)在檢測對工業(yè)物聯(lián)網(wǎng)的多種類型網(wǎng)絡(luò)攻擊時,獲得了99.09%的準確率,且在準確率、精密度、召回率、F1評分等指標上均優(yōu)于目前基于LSTM,CNN,RNN等深度學(xué)習(xí)模型和DDQN,DQN等深度強化學(xué)習(xí)模型的入侵檢測系統(tǒng)。
黃麗婷[6]（2021）在《基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測技術(shù)研究》文中指出隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)量也不斷增長,隨之產(chǎn)生了更多類型的網(wǎng)絡(luò)攻擊。面對規(guī)模龐大的網(wǎng)絡(luò)流量特征信息,傳統(tǒng)的基于機器學(xué)習(xí)的入侵檢測系統(tǒng)存在檢測率低、實時性差以及對多分類稀有樣本檢測率低等問題,而深度學(xué)習(xí)算法在解決入侵檢測問題上有著獨特的優(yōu)勢。因此,本文將入侵檢測技術(shù)與深度學(xué)習(xí)算法相結(jié)合。針對上述問題,論文主要利用多種算法相結(jié)合對基于深度學(xué)習(xí)的入侵檢測算法進行改進,旨在提高檢測率的同時提高入侵檢測的整體性能。具體研究工作如下:（1）針對入侵檢測模型存在檢測率低的問題,從網(wǎng)絡(luò)流量具有空間和時間特性及網(wǎng)絡(luò)流量的重要程度不同的角度出發(fā),提出了一種基于空時特征和注意力機制的網(wǎng)絡(luò)入侵檢測算法。此算法很大程度提高了對網(wǎng)絡(luò)流量的檢測率。仿真結(jié)果表明,該算法對NSL-KDD數(shù)據(jù)集進行二分類檢測率為99.6%,五分類檢測率為92.69%。該算法與其他算法相比不僅在解決網(wǎng)絡(luò)異常問題時有著較好的檢測率,而且減少了計算資源開銷。（2）針對入侵檢測模型存在檢測實時性低的問題,從網(wǎng)絡(luò)流量是一維序列的角度出發(fā),提出了一種基于一維空時特征的網(wǎng)絡(luò)入侵檢測算法。該算法使用一維卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶神經(jīng)網(wǎng)絡(luò)高速學(xué)習(xí)數(shù)據(jù)的一維序列特征,得到比較全面的空時特征后再進行分類。此算法充分考慮了網(wǎng)絡(luò)流量的內(nèi)部結(jié)構(gòu)關(guān)系。仿真結(jié)果表明,該算法與其他算法相比不僅在解決網(wǎng)絡(luò)異常問題時有著較好的檢測率,而且具有較優(yōu)的測試階段檢測實時性。（3）針對入侵檢測模型存在多分類及對罕見攻擊檢測率低的問題,從數(shù)據(jù)不平衡角度出發(fā),提出了一種基于多分類和數(shù)據(jù)不平衡的深度學(xué)習(xí)混合入侵檢測模型。該模型引入Borderline-SMOTE算法對少數(shù)類邊界樣本進行生成,從而對基于深度學(xué)習(xí)的混合入侵檢測算法做進一步改進。仿真結(jié)果表明,改進后的兩種算法對NSL-KDD數(shù)據(jù)集進行五分類檢測率分別提高到97.12%和98.95%,驗證了該算法的正確性和有效性。本文的研究工作較好解決了目前入侵檢測技術(shù)存在的關(guān)鍵問題,不僅提高了入侵檢測算法的檢測率,同時也提高了入侵檢測的整體性能,為網(wǎng)絡(luò)入侵檢測問題的研究提供了一種新的建模思路,具有重要的參考價值。
黃一鳴[7]（2021）在《基于特征增強和集成學(xué)習(xí)的工控系統(tǒng)入侵檢測研究》文中指出工控系統(tǒng)（Industrial Control Systems,ICS）作為關(guān)鍵基礎(chǔ)設(shè)施的核心,關(guān)系著國家的生產(chǎn)與生計。隨著工業(yè)信息化的推進,工控系統(tǒng)漏洞和工業(yè)網(wǎng)絡(luò)病毒數(shù)量激增,工控系統(tǒng)面臨著嚴重的安全威脅,亟需有效解決方案。工控入侵檢測則是有效的方法之一。但工控網(wǎng)絡(luò)數(shù)據(jù)質(zhì)量差、檢測模型效率低等問題嚴重影響著入侵檢測系統(tǒng)的防護能力。針對這一情況,本文分析工控系統(tǒng)的特點,從數(shù)據(jù)質(zhì)量和模型性能兩方面入手研究ICS系統(tǒng)入侵檢測技術(shù),提出了基于特征增強和集成學(xué)習(xí)的工控系統(tǒng)入侵檢測方法。首先,本文對相關(guān)機器學(xué)習(xí)理論進行介紹。分析了目前常用的機器學(xué)習(xí)算法,選擇了集成學(xué)習(xí)來構(gòu)建最終的檢測模型。根據(jù)工控入侵檢測的特點與集成學(xué)習(xí)的需求,選取支持向量機（Support Vector Machines,SVM）、極限學(xué)習(xí)機（Extreme Learning Machine,ELM）與邏輯回歸（Logistic Regression,LR）算法作為主要使用算法與被集成對象,并對這三種算法進行介紹。然后介紹本文使用的工控入侵檢測標準數(shù)據(jù)集,并對數(shù)據(jù)集進行初步預(yù)處理。本文對ICS入侵檢測數(shù)據(jù)進行改進。針對ICS入侵檢測系統(tǒng)數(shù)據(jù)質(zhì)量低的問題,通過使用對數(shù)邊際密度比變換（Logarithm Marginal Density Ratios Transformation,LMDRT）對原始數(shù)據(jù)特征進行增強。并使用一對剩余策略（One-Vs-Rest,OVR）將該變換方法進行多分類情況拓展,提出了OVR-DT的數(shù)據(jù)特征增強方法。分別構(gòu)建基于SVM、ELM和LR的單一算法入侵檢測模型。對增強后數(shù)據(jù)進行實驗驗證。結(jié)果表明,LMDRT可有效提高檢測準確率等性能指標,OVR-DT增強數(shù)據(jù)在檢測MFCI和Do S等攻擊方面有著更優(yōu)表現(xiàn)。本文對單一入侵檢測模型中的SVM檢測模型進行優(yōu)化。為解決粒子群算法在SVM參數(shù)優(yōu)化過程中易陷入局部最優(yōu)等問題,本文提出一種結(jié)合自適應(yīng)權(quán)重和粒子重構(gòu)的粒子群算法（AWPRPSO）。首先使用佳點集法保證初始種群多樣性,然后采用種群聚集度指導(dǎo)權(quán)重自適應(yīng)變化平衡了種群的全局與局部搜索能力,最后使用粒子重構(gòu)策略解決了原始算法易陷入局部最優(yōu)的問題。構(gòu)建基于增強數(shù)據(jù)與AWPRPSO優(yōu)化的SVM入侵檢測模型。實驗證明,AWPRPSO算法與其它優(yōu)化算法相比,提高了SVM入侵檢測模型性能。最后,本文將各單一入侵檢測模型聚合,構(gòu)建了基于集成學(xué)習(xí)的入侵檢測模型。由于集成學(xué)習(xí)已被證明比單一機器學(xué)習(xí)方法具有更好的泛化能力與檢測精度,因此,為進一步提高檢測系統(tǒng)效率,本文提出了一種新的集成學(xué)習(xí)工控入侵檢測方法,使用支持向量機對各SVM、ELM和LR分類器進行聚合,構(gòu)建基于該方法的入侵檢測模型,進行實驗。結(jié)果表明,構(gòu)建的入侵檢測模型在多攻擊的檢測精度與效率上均有改善。
肖建平,龍春,趙靜,魏金俠,胡安磊,杜冠瑤[8]（2021）在《基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測研究綜述》文中指出【目的】互聯(lián)網(wǎng)的迅速發(fā)展給人們的生活帶來了極大的便利,然而各種網(wǎng)絡(luò)攻擊行為也日益增加,網(wǎng)絡(luò)空間面臨著嚴重的威脅。入侵檢測在防護網(wǎng)絡(luò)攻擊中發(fā)揮著關(guān)鍵作用?！疚墨I范圍】近年來,深度學(xué)習(xí)方法在入侵檢測領(lǐng)域得到了廣泛應(yīng)用。本文通過廣泛的文獻調(diào)查,選取了該領(lǐng)域的最新研究工作?！痉椒ā渴紫冉榻B了當前的網(wǎng)絡(luò)安全形勢,并總結(jié)了入侵檢測系統(tǒng)的類型、數(shù)據(jù)集和評估方法,然后在檢測技術(shù)層面,論述了基于傳統(tǒng)機器學(xué)習(xí)方法的入侵檢測和基于深度學(xué)習(xí)的入侵檢測。最后,對入侵檢測技術(shù)未來的研究方向進行了展望?！窘Y(jié)果】通過分析對比,基于深度學(xué)習(xí)方法的入侵檢測系統(tǒng)通常具有更好的性能?！揪窒蕖渴芟抻讷@取文獻的范圍,沒有對基于深度學(xué)習(xí)的入侵檢測方法所解決的問題進行對比?！窘Y(jié)論】基于深度學(xué)習(xí)方法的入侵檢測技術(shù)在處理高維數(shù)據(jù)、獲取數(shù)據(jù)中隱藏信息、解決網(wǎng)絡(luò)中數(shù)據(jù)不平衡問題等方面具有優(yōu)勢,未來在入侵檢測領(lǐng)域會應(yīng)用地越來越廣泛。
沈少禹[9]（2021）在《面向智能家居的入侵檢測研究》文中研究表明近年,5G技術(shù)的普及加快了“智慧城市”的建設(shè)。智能家居行業(yè)也得到了快速的發(fā)展,智能門鎖、智能家電等在生活中隨處可見,智能化家庭生活的時代已經(jīng)到來。雖然智能家居提高了人們的生活品質(zhì),但也給用戶帶來了許多安全問題。入侵檢測技術(shù)作為一種主動的安全防御技術(shù),在智能家居行業(yè)上的研究仍處于起步階段。面對海量的高維數(shù)據(jù)現(xiàn)有的檢測方案存在檢測率低等問題。此外,目前基于云計算的智能家居系統(tǒng)無法滿足安全防護應(yīng)用對于實時性的需求。因此,研究具有高安全性、低延時的智能家居系統(tǒng)意義重大。本文的主要工作如下:1.針對海量高維數(shù)據(jù),本文選取核主成分分析算法（KPCA）用于對數(shù)據(jù)的特征提取降維,從而減小了數(shù)據(jù)的計算量。為了KPCA算法達到更好的效果,本文對果蠅算法（FOA）進行了改進,并用其對核主成分分析算法（KPCA）進行了優(yōu)化。2.提出了基于LFKPCA-Adacost-DWELM的入侵檢測模型。首先在加權(quán)極限學(xué)習(xí)機（WELM）的基礎(chǔ)上對其進行了改進,提出了基于數(shù)據(jù)離散度的加權(quán)極限學(xué)習(xí)機（DWELM）。之后又對Adacost算法進行了改進,并將改進后的Adacost算法和DWELM算法進行了結(jié)合,作為入侵檢測模型的分類器。最后進行了對比實驗,證明了其具有良好的檢測性能。3.設(shè)計和實現(xiàn)了智能家居入侵檢測系統(tǒng)。搭建了基于邊緣計算的技術(shù)框架kubeedge的智能家居系統(tǒng)平臺,以滿足智能家居安全防范應(yīng)用對于實時性的需求。根據(jù)本文所提出的基于LFKPCA-Adacost-DWELM的入侵檢測模型,設(shè)計和實現(xiàn)了入侵檢測系統(tǒng),并將其部署在智能家居系統(tǒng)平臺的邊緣節(jié)點上。通過攻擊實驗證明了其能夠準確、實時地檢測出入侵行為。
牛頡[10]（2021）在《基于人工智能的網(wǎng)絡(luò)入侵檢測技術(shù)研究》文中指出互聯(lián)網(wǎng)在各領(lǐng)域的快速發(fā)展與應(yīng)用為個人和社會都帶來了極大的便利,已經(jīng)成為人們生活和工作中不可缺少的一部分。與此同時,網(wǎng)絡(luò)安全事故屢見不鮮,因此解決網(wǎng)絡(luò)安全問題變得尤為重要。網(wǎng)絡(luò)入侵檢測是網(wǎng)絡(luò)安全的一個重要解決方案,對于維護網(wǎng)絡(luò)秩序和保護公眾信息安全具有重大現(xiàn)實意義。隨著網(wǎng)絡(luò)攻擊日趨規(guī)?；⒆詣踊?傳統(tǒng)的檢測方法已經(jīng)無法滿足當前網(wǎng)絡(luò)環(huán)境下的入侵檢測需求,因此本文采用人工智能技術(shù)構(gòu)建算法模型進行網(wǎng)絡(luò)入侵檢測。本文的主要工作內(nèi)容如下:針對新的網(wǎng)絡(luò)流量數(shù)據(jù)無標簽且與原始數(shù)據(jù)分布不同的問題,本文提出通過遷移學(xué)習(xí)利用帶有標簽的舊數(shù)據(jù)為新數(shù)據(jù)構(gòu)建高質(zhì)量的分類模型。借助域適應(yīng)將具有不同分布的數(shù)據(jù)集映射到同一共享子空間,然后在共享子空間利用原始數(shù)據(jù)訓(xùn)練基分類器模型并對新的流量樣本進行檢測。在不同流量數(shù)據(jù)集上的實驗結(jié)果表明,較傳統(tǒng)機器學(xué)習(xí)方法,所提方法準確率平均可提升24.89%,擴大了基于機器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測方案的適用范圍。針對網(wǎng)絡(luò)入侵檢測中未知攻擊的檢測問題,本文提出一種基于開集識別的網(wǎng)絡(luò)未知攻擊檢測算法。該方法將極值理論引入到網(wǎng)絡(luò)未知攻擊檢測系統(tǒng)中,通過搭建的Open-CNN模型,重新校準倒數(shù)第二層的激活向量,然后根據(jù)已知類的激活分數(shù)估計未知類的概率,從而實現(xiàn)未知攻擊檢測的目的。在CICIDS2017和CTU數(shù)據(jù)集上進行了多組實驗,均獲得了較高的檢測精度,未知攻擊檢測準確率平均達98.72%。針對網(wǎng)絡(luò)入侵檢測中標簽數(shù)據(jù)稀缺的問題,本文提出一種基于主動半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測算法,通過為主動學(xué)習(xí)設(shè)定一個最小類間距閾值,以及為半監(jiān)督學(xué)習(xí)設(shè)定一個最高的分類閾值,挑選出信息含量豐富符合條件的未標記樣本,標注后添加到訓(xùn)練集中重新訓(xùn)練模型,反復(fù)迭代直到滿足既定條件。在CTU和CICIDS2017數(shù)據(jù)集上的實驗結(jié)果表明組合算法的各項指標得到顯著提高。
二、入侵檢測系統(tǒng)的發(fā)展與研究（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、入侵檢測系統(tǒng)的發(fā)展與研究（論文提綱范文）
（1）基于聯(lián)邦學(xué)習(xí)的入侵檢測機制研究（論文提綱范文）
| 0 引言 |
| 1 相關(guān)概念 |
| 1.1 聯(lián)邦學(xué)習(xí) |
| 1.2 入侵檢測 |
| 1.3 聯(lián)邦學(xué)習(xí)與入侵檢測系統(tǒng) |
| 2 基于聯(lián)邦學(xué)習(xí)的入侵檢測系統(tǒng) |
| 2.1 需求分析 |
| 2.2 框架設(shè)計 |
| 2.3 系統(tǒng)部署 |
| 3 實驗及分析 |
| 3.1 實驗設(shè)計 |
| 3.2 結(jié)果分析 |
| 4 結(jié)束語 |
（2）基于深度包檢測和生成對抗網(wǎng)絡(luò)的入侵檢測關(guān)鍵技術(shù)研究與實現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 課題背景及意義 |
| 1.2 論文的主要研究內(nèi)容 |
| 1.3 章節(jié)安排 |
| 第二章 相關(guān)技術(shù)研究 |
| 2.1 入侵檢測系統(tǒng)研究現(xiàn)狀 |
| 2.1.1 入侵檢測系統(tǒng)概述 |
| 2.1.2 入侵檢測系統(tǒng)技術(shù)分類 |
| 2.2 基于機器學(xué)習(xí)的入侵檢測技術(shù)研究現(xiàn)狀 |
| 2.2.1 基于機器學(xué)習(xí)的入侵檢測系統(tǒng) |
| 2.2.2 基于深度學(xué)習(xí)的入侵檢測系統(tǒng) |
| 2.3 無監(jiān)督的深度學(xué)習(xí)模型 |
| 2.3.1 堆棧式自動編碼器(SAE) |
| 2.3.2 變分自編碼器(VAE) |
| 2.3.3 生成對抗網(wǎng)絡(luò)(GAN) |
| 2.4 本章小結(jié) |
| 第三章 基于自動編碼器的無監(jiān)督NIDS異常檢測算法 |
| 3.1 基于自動編碼器的深度學(xué)習(xí)入侵檢測算法框架 |
| 3.1.1 整體框架 |
| 3.1.2 離線訓(xùn)練 |
| 3.1.3 在線識別 |
| 3.2 基于堆疊式自動編碼器的無監(jiān)督NIDS異常檢測算法 |
| 3.2.1 模型算法概述 |
| 3.2.2 模型算法流程 |
| 3.2.3 優(yōu)化SAE模型 |
| 3.3 基于變分自動編碼器的無監(jiān)督NIDS異常檢測算法 |
| 3.3.1 模型算法概述 |
| 3.3.2 模型算法流程 |
| 3.3.3 模型關(guān)鍵技術(shù) |
| 3.4 實驗設(shè)置 |
| 3.4.1 實驗環(huán)境 |
| 3.4.2 評估指標 |
| 3.5 實驗結(jié)果與分析 |
| 3.5.1 CE-SAE模型 |
| 3.5.2 COD-VAE模型 |
| 3.6 本章小結(jié) |
| 第四章 基于生成對抗網(wǎng)絡(luò)的無監(jiān)督NIDS異常檢測算法 |
| 4.1 基于生成對抗網(wǎng)絡(luò)的無監(jiān)督NIDS異常檢測算法框架 |
| 4.2 Packet-GAN模型算法概述 |
| 4.3 Packet-GAN模型算法流程 |
| 4.4 Packet-GAN模型關(guān)鍵技術(shù) |
| 4.5 實驗結(jié)果與分析 |
| 4.5.1 模型性能評估 |
| 4.5.2 模型異常得分分布分析 |
| 4.5.3 隱藏空間z的維度分析 |
| 4.6 本章小結(jié) |
| 第五章 基于Packet GAN和深度包檢測的IDS系統(tǒng)框架 |
| 5.1 系統(tǒng)總體設(shè)計 |
| 5.1.1 系統(tǒng)總體架構(gòu) |
| 5.1.2 系統(tǒng)環(huán)境部署圖 |
| 5.2 系統(tǒng)模塊設(shè)計 |
| 5.3 DPI模塊設(shè)計 |
| 5.4 本章小結(jié) |
| 第六章 入侵檢測系統(tǒng)的實現(xiàn) |
| 6.1 系統(tǒng)開發(fā)環(huán)境 |
| 6.2 入侵檢測系統(tǒng)的功能實現(xiàn) |
| 6.2.1 流量采集前置模塊設(shè)計方案 |
| 6.2.2 后端模塊設(shè)計方案 |
| 6.2.3 前端模塊設(shè)計方案 |
| 6.3 系統(tǒng)運行展示 |
| 6.3.1 登錄界面 |
| 6.3.2 惡意攻擊列表 |
| 6.3.3 惡意攻擊可視化 |
| 6.4 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 參考文獻 |
| 附錄1 CICFLOWMETER特征信息 |
| 附錄2 攻讀碩士學(xué)位期間申請的專利 |
| 附錄3 攻讀碩士學(xué)位期間參加的科研項目 |
| 致謝 |
（3）計算機網(wǎng)絡(luò)入侵檢測系統(tǒng)的研究（論文提綱范文）
| 0 引言 |
| 1 入侵檢測技術(shù)原理 |
| 2 入侵檢測系統(tǒng)框架模型 |
| 3 入侵檢測系統(tǒng)結(jié)構(gòu) |
| 3.1 基于主機入侵檢測系統(tǒng) |
| 3.2 基于網(wǎng)絡(luò)入侵檢測系統(tǒng) |
| 3.3 基于主機檢測的分布式入侵檢測系統(tǒng) |
| 3.4 基于網(wǎng)絡(luò)檢測的分布式入侵檢測系統(tǒng) |
| 4 網(wǎng)絡(luò)入侵檢測系統(tǒng)的多模式匹配算法 |
| 4.1 算法分析 |
| 4.2改進的多模式匹配算法 |
| 5 結(jié)語 |
（4）某實驗室工控系統(tǒng)網(wǎng)絡(luò)入侵檢測技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 課題研究背景與研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 工業(yè)控制系統(tǒng)網(wǎng)絡(luò)安全研究 |
| 1.2.2 工業(yè)控制系統(tǒng)入侵檢測技術(shù)研究現(xiàn)狀 |
| 1.3 論文主要內(nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 相關(guān)技術(shù)研究綜述 |
| 2.1 工控系統(tǒng)簡介 |
| 2.1.1 工控系統(tǒng)體系 |
| 2.1.2 工業(yè)控制系統(tǒng)安全風(fēng)險分析 |
| 2.2 工業(yè)控制系統(tǒng)入侵檢測技術(shù) |
| 2.2.1 入侵檢測基本概念 |
| 2.2.2 入侵檢測技術(shù)類型 |
| 2.2.3 入侵檢測模型性能評價指標 |
| 2.3 本章小結(jié) |
| 第三章 數(shù)據(jù)處理 |
| 3.1 數(shù)據(jù)集的選擇 |
| 3.2 數(shù)據(jù)預(yù)處理 |
| 3.3 特征選擇 |
| 3.3.1 特征選擇概述 |
| 3.3.2 多種二分類算法相結(jié)合進行特征篩選 |
| 3.3.3 篩選特征 |
| 3.4 本章小結(jié) |
| 第四章 基于AdamW優(yōu)化的神經(jīng)網(wǎng)絡(luò)入侵檢測研究 |
| 4.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)性能影響因素 |
| 4.2 AdamW算法概述 |
| 4.2.1 AdamW算法優(yōu)勢 |
| 4.2.2 AdamW算法結(jié)構(gòu) |
| 4.3 入侵檢測算法設(shè)計 |
| 4.4 實驗仿真 |
| 4.5 本章小結(jié) |
| 第五章 數(shù)據(jù)可視化系統(tǒng) |
| 5.1 系統(tǒng)構(gòu)成 |
| 5.2 功能測試 |
| 5.3 本章小結(jié) |
| 總結(jié)和展望 |
| 參考文獻 |
| 致謝 |
| 個人簡歷及科研成果 |
（5）DRL-IDS:基于深度強化學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)入侵檢測系統(tǒng)（論文提綱范文）
| 1 引言 |
| 2 相關(guān)工作 |
| 2.1 面向工業(yè)物聯(lián)網(wǎng)的入侵檢測系統(tǒng) |
| 2.2 基于深度強化學(xué)習(xí)的入侵檢測技術(shù) |
| 3 基于深度強化學(xué)習(xí)的入侵檢測系統(tǒng) |
| 3.1 入侵檢測系統(tǒng)總體框架 |
| 3.2 數(shù)據(jù)處理模塊 |
| 3.3 入侵檢測智能體構(gòu)造 |
| 3.3.1 環(huán)境狀態(tài)模型 |
| 3.3.2 價值函數(shù)構(gòu)造 |
| 3.3.3 訓(xùn)練策略定義 |
| 3.4 入侵檢測智能體訓(xùn)練 |
| 4 實驗與結(jié)果 |
| 4.1 實驗環(huán)境 |
| 4.2 數(shù)據(jù)集 |
| 4.3 數(shù)據(jù)預(yù)處理 |
| 4.4 基于PPO2的DRL-IDS性能評估 |
| 4.5 與主流入侵檢測系統(tǒng)的性能對比 |
（6）基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測技術(shù)研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 課題的研究背景與意義 |
| 1.2 相關(guān)技術(shù)的發(fā)展與研究現(xiàn)狀 |
| 1.2.1 入侵檢測的研究現(xiàn)狀 |
| 1.2.2 深度學(xué)習(xí)的研究現(xiàn)狀 |
| 1.3 入侵檢測存在的問題 |
| 1.4 論文的主要研究工作 |
| 2 相關(guān)基礎(chǔ)知識 |
| 2.1 引言 |
| 2.2 入侵檢測系統(tǒng) |
| 2.2.1 入侵檢測系統(tǒng)定義 |
| 2.2.2 入侵檢測系統(tǒng)分類 |
| 2.2.3 入侵檢測模型評價指標 |
| 2.3 深度學(xué)習(xí) |
| 2.3.1 深度學(xué)習(xí)理論 |
| 2.3.2 多層感知機 |
| 2.3.3 自編碼網(wǎng)絡(luò) |
| 2.3.4 一維卷積神經(jīng)網(wǎng)絡(luò) |
| 2.3.5 二維卷積神經(jīng)網(wǎng)絡(luò) |
| 2.3.6 長短期記憶神經(jīng)網(wǎng)絡(luò) |
| 2.3.7 注意力機制 |
| 2.4 本章小結(jié) |
| 3 基于空時特征和注意力機制的網(wǎng)絡(luò)入侵檢測算法 |
| 3.1 引言 |
| 3.2 基于空時特征和注意力機制的網(wǎng)絡(luò)入侵檢測算法總體框架 |
| 3.3 基于空時特征和注意力機制的網(wǎng)絡(luò)入侵檢測模型 |
| 3.3.1 入侵檢測數(shù)據(jù)集預(yù)處理層 |
| 3.3.2 CNN層 |
| 3.3.3 Dropout層 |
| 3.3.4 Max-pooling層 |
| 3.3.5 Bi-LSTM層 |
| 3.3.6 注意力層 |
| 3.3.7 輸出層 |
| 3.4 實驗運行環(huán)境和設(shè)置 |
| 3.4.1 實驗運行環(huán)境 |
| 3.4.2 實驗設(shè)置 |
| 3.5 仿真結(jié)果與分析 |
| 3.5.1 卷積核大小的設(shè)置對算法性能的影響 |
| 3.5.2 Bi-LSTM隱藏層節(jié)點的設(shè)置對算法性能的影響 |
| 3.5.3 學(xué)習(xí)率的設(shè)置對算法性能的影響 |
| 3.5.4 CLT-net算法二分類性能分析 |
| 3.5.5 CLT-net算法多分類性能分析 |
| 3.6 本章小結(jié) |
| 4 基于一維空時特征的網(wǎng)絡(luò)入侵檢測算法 |
| 4.1 引言 |
| 4.2 基于一維空時特征的網(wǎng)絡(luò)入侵檢測算法總體框架 |
| 4.3 基于一維空時特征的網(wǎng)絡(luò)入侵檢測模型 |
| 4.4 實驗運行環(huán)境和設(shè)置 |
| 4.4.1 實驗運行環(huán)境 |
| 4.4.2 實驗設(shè)置 |
| 4.5 仿真結(jié)果與分析 |
| 4.5.1 CLSTM-net算法二分類性能分析 |
| 4.5.2 CLSTM-net算法多分類性能分析 |
| 4.6 本章小結(jié) |
| 5 基于多分類及數(shù)據(jù)不平衡的深度學(xué)習(xí)混合入侵檢測算法 |
| 5.1 引言 |
| 5.2 不平衡數(shù)據(jù)集 |
| 5.2.1 不平衡數(shù)據(jù)集定義 |
| 5.2.2 從數(shù)據(jù)層面開展的研究 |
| 5.2.3 從算法層面開展的研究 |
| 5.3 入侵檢測數(shù)據(jù)特征分析 |
| 5.4 算法基礎(chǔ)與分析 |
| 5.4.1 SMOTE算法 |
| 5.4.2 Borderline-SMOTE算法 |
| 5.5 基于數(shù)據(jù)不平衡的深度學(xué)習(xí)混合入侵檢測算法 |
| 5.6 仿真結(jié)果與分析 |
| 5.6.1 ICLT-net算法多分類性能分析 |
| 5.6.2 ICLSTM-net算法多分類性能分析 |
| 5.6.3 四種算法性能對比 |
| 5.7 本章小結(jié) |
| 6 總結(jié)及展望 |
| 6.1 論文的主要工作和結(jié)論 |
| 6.2 論文的展望 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間主要的研究成果 |
（7）基于特征增強和集成學(xué)習(xí)的工控系統(tǒng)入侵檢測研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 選題背景與研究意義 |
| 1.1.1 選題背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 ICS系統(tǒng)信息安全技術(shù)研究現(xiàn)狀 |
| 1.2.2 ICS系統(tǒng)入侵檢測技術(shù)研究現(xiàn)狀 |
| 1.3 本文主要研究內(nèi)容 |
| 1.4 本文的組織架構(gòu) |
| 第二章 相關(guān)機器學(xué)習(xí)理論介紹 |
| 2.1 常用機器學(xué)習(xí)算法分析 |
| 2.2 工控入侵檢測算法需求分析 |
| 2.3 相關(guān)機器學(xué)習(xí)算法介紹 |
| 2.3.1 支持向量機 |
| 2.3.2 極限學(xué)習(xí)機算法 |
| 2.3.3 邏輯回歸 |
| 2.4 工控入侵檢測標準數(shù)據(jù)集 |
| 2.5 數(shù)據(jù)集初步預(yù)處理 |
| 2.5.1 類別標簽數(shù)值化 |
| 2.5.2 屬性特征歸一化 |
| 2.6 本章小結(jié) |
| 第三章 工控入侵檢測數(shù)據(jù)特征增強算法與其改進 |
| 3.1 對數(shù)邊際密度比變換原理與過程 |
| 3.2 LMDRT的一種多分類拓展方法及其相關(guān)分類器調(diào)整 |
| 3.2.1 結(jié)合一對剩余策略的LMDRT |
| 3.2.2 相關(guān)分類器的調(diào)整 |
| 3.3 基于單一機器學(xué)習(xí)算法的工控入侵檢測模型 |
| 3.4 實驗結(jié)果與分析 |
| 3.4.1 性能評價指標 |
| 3.4.2 實驗相關(guān)內(nèi)容與設(shè)定 |
| 3.4.3 仿真結(jié)果與分析 |
| 3.5 本章小結(jié) |
| 第四章 基于SVM的工控入侵檢測模型的優(yōu)化 |
| 4.1 粒子群算法 |
| 4.2 改進的PSO算法 |
| 4.2.1 粒子初始位置改進 |
| 4.2.2 慣性權(quán)重的改進 |
| 4.2.3 粒子位置更新的改進 |
| 4.3 基于改進PSO算法的SVM工控入侵檢測模型 |
| 4.4 實驗結(jié)果與分析 |
| 4.4.1 實驗相關(guān)內(nèi)容與設(shè)定 |
| 4.4.2 仿真結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 第五章 基于特征增強與SVM集成多分類器的工控入侵檢測算法 |
| 5.1 集成學(xué)習(xí)原理與框架 |
| 5.2 基分類器與元分類器選擇 |
| 5.2.1 基分類器選擇 |
| 5.2.2 元分類器選擇 |
| 5.3 基于特征增強與SVM集成多分類器的工控入侵檢測模型 |
| 5.4 實驗結(jié)果與分析 |
| 5.4.1 實驗相關(guān)內(nèi)容與設(shè)定 |
| 5.4.2 仿真結(jié)果與分析 |
| 5.5 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
| 研究成果及發(fā)表的學(xué)術(shù)論文 |
| 作者及導(dǎo)師簡介 |
（8）基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測研究綜述（論文提綱范文）
| 引 言 |
| 1 入侵檢測系統(tǒng)的分類 |
| 1.1 基于數(shù)據(jù)來源的分類 |
| 1.2 基于檢測技術(shù)的分類 |
| 2 入侵檢測系統(tǒng)的數(shù)據(jù)集和評估方法 |
| 2.1 數(shù)據(jù)集 |
| 2.2 評估方法 |
| (1) TPR： |
| (2) FPR： |
| (3) DR： |
| (4) Precision： |
| (5) ACC： |
| (6) AUC： |
| 3 基于傳統(tǒng)機器學(xué)習(xí)的入侵檢測技術(shù) |
| 3.1 監(jiān)督機器學(xué)習(xí)方法 |
| (1)隱馬爾可夫模型 |
| (2)K近鄰算法 |
| (3)支持向量機 |
| 3.2 無監(jiān)督機器學(xué)習(xí)方法 |
| (1)k-means |
| (2)高斯混合模型 |
| (3)主成分分析法 |
| 3.3 半監(jiān)督機器學(xué)習(xí)方法 |
| 3.4 總結(jié)與討論 |
| 4 基于深度學(xué)習(xí)的入侵檢測技術(shù) |
| 4.1 生成式無監(jiān)督方法 |
| (1)循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN) |
| (2)自動編碼器(Auto-Encoder,AE) |
| (3)深度玻爾茲曼機(Deep Boltzmann Machine,DBM) |
| (4)深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN) |
| 4.2 判別式有監(jiān)督方法 |
| 4.3 混合式方法 |
| 4.4 總結(jié)與討論 |
| 5 總結(jié)與展望 |
| 6 結(jié)束語 |
（9）面向智能家居的入侵檢測研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 智能家居安全研究現(xiàn)狀 |
| 1.2.2 入侵檢測研究現(xiàn)狀 |
| 1.3 論文主要研究內(nèi)容 |
| 1.4 論文結(jié)構(gòu) |
| 2 相關(guān)基礎(chǔ)理論 |
| 2.1 智能家居 |
| 2.1.1 智能家居概述 |
| 2.1.2 智能家居安全需求 |
| 2.2 入侵檢測系統(tǒng) |
| 2.2.1 入侵檢測系統(tǒng)概述 |
| 2.2.2 智能家居中入侵檢測系統(tǒng)的部署 |
| 2.3 邊緣計算 |
| 2.3.1 邊緣計算的產(chǎn)生背景 |
| 2.3.2 邊緣計算模型 |
| 2.3.3 邊緣計算的特點 |
| 2.3.4 邊緣計算的架構(gòu) |
| 2.3.5 智能家居應(yīng)用邊緣計算的必要性 |
| 2.4 本章小結(jié) |
| 3 基于LFKPCA-DWELM的智能家居入侵檢測模型 |
| 3.1 基于LFOA的 KPCA特征提取算法 |
| 3.1.1 改進的果蠅優(yōu)化算法(LFOA) |
| 3.1.2 核主成分分析(KPCA)算法原理 |
| 3.1.3 基于LFOA的 KPCA特征提取算法 |
| 3.2 基于數(shù)據(jù)離散度的加權(quán)極限學(xué)習(xí)機(DWELM) |
| 3.2.1 極限學(xué)習(xí)機原理 |
| 3.2.2 基于數(shù)據(jù)離散度的加權(quán)極限學(xué)習(xí)機(DWELM) |
| 3.3 基于LFKPCA和 DWELM的入侵檢測算法 |
| 3.4 實驗 |
| 3.4.1 數(shù)據(jù)集來源 |
| 3.4.2 數(shù)據(jù)預(yù)處理 |
| 3.4.3 數(shù)據(jù)特征提取 |
| 3.4.4 仿真與實驗結(jié)果分析 |
| 3.5 本章小結(jié) |
| 4 基于LFKPCA-Adacost-DWELM的智能家居入侵檢測模型構(gòu)建 |
| 4.1 改進的Adacost算法 |
| 4.2 基于LFKPCA-Adacost-DWELM的入侵檢測算法 |
| 4.2.1 基于改進Adacost和 DWELM的分類器 |
| 4.2.2 基于LFKPCA-Adacost-DWELM的入侵檢測算法流程 |
| 4.3 實驗 |
| 4.3.1 數(shù)據(jù)集和性能評價指標 |
| 4.3.2 仿真與實驗結(jié)果分析 |
| 4.4 本章小結(jié) |
| 5 基于kubeedge的云邊協(xié)同智能家居入侵檢測系統(tǒng) |
| 5.1 kubeedge架構(gòu) |
| 5.2 基于kubeedge的智能家居系統(tǒng)設(shè)計與實現(xiàn) |
| 5.3 入侵檢測系統(tǒng)的部署 |
| 5.3.1 基于kubeedge的智能家居入侵檢測系統(tǒng)部署方案 |
| 5.3.2 功能模塊的設(shè)計與實現(xiàn) |
| 5.4 攻擊檢測測試 |
| 5.5 本章小結(jié) |
| 總結(jié) |
| 參考文獻 |
| 在學(xué)研究成果 |
| 致謝 |
（10）基于人工智能的網(wǎng)絡(luò)入侵檢測技術(shù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 主要研究內(nèi)容 |
| 1.4 論文結(jié)構(gòu) |
| 1.5 本章小結(jié) |
| 第二章 入侵檢測相關(guān)技術(shù)與理論基礎(chǔ) |
| 2.1 入侵檢測 |
| 2.1.1 網(wǎng)絡(luò)入侵基本概念 |
| 2.1.2 網(wǎng)絡(luò)入侵檢測系統(tǒng) |
| 2.2 人工智能相關(guān)算法 |
| 2.2.1 機器學(xué)習(xí) |
| 2.2.2 深度學(xué)習(xí) |
| 2.2.3 主動學(xué)習(xí) |
| 2.2.4 遷移學(xué)習(xí) |
| 2.3 本章小結(jié) |
| 第三章 基于遷移成分分析的網(wǎng)絡(luò)入侵檢測算法 |
| 3.1 數(shù)據(jù)集和數(shù)據(jù)預(yù)處理 |
| 3.1.1 構(gòu)建數(shù)據(jù)集 |
| 3.1.2 數(shù)據(jù)預(yù)處理 |
| 3.2 模型結(jié)構(gòu) |
| 3.2.1 問題概述 |
| 3.2.2 遷移模型 |
| 3.3 實驗 |
| 3.3.1 實驗設(shè)定 |
| 3.3.2 實驗結(jié)果和分析 |
| 3.4 本章小結(jié) |
| 第四章 基于開集識別的網(wǎng)絡(luò)未知攻擊入侵檢測算法 |
| 4.1 數(shù)據(jù)集和數(shù)據(jù)預(yù)處理 |
| 4.1.1 構(gòu)建數(shù)據(jù)集 |
| 4.1.2 數(shù)據(jù)預(yù)處理 |
| 4.2 模型結(jié)構(gòu) |
| 4.2.1 元識別和極值理論 |
| 4.2.2 Open-CNN檢測模型 |
| 4.3 實驗 |
| 4.3.1 實驗設(shè)定 |
| 4.3.2 實驗結(jié)果和分析 |
| 4.4 本章小結(jié) |
| 第五章 基于主動半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測算法 |
| 5.1 數(shù)據(jù)集 |
| 5.2 主動半監(jiān)督組合算法 |
| 5.2.1 AL算法 |
| 5.2.2 Semi-supervised算法 |
| 5.2.3 ASSDA算法 |
| 5.3 實驗 |
| 5.3.1 評價指標 |
| 5.3.2 實驗結(jié)果和分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 論文總結(jié) |
| 6.2 問題和展望 |
| 參考文獻 |
| 致謝 |
| 作者攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄 |
四、入侵檢測系統(tǒng)的發(fā)展與研究（論文參考文獻）
- [1]基于聯(lián)邦學(xué)習(xí)的入侵檢測機制研究[J]. 白宏鵬,鄧東旭,許光全,周德祥. 信息網(wǎng)絡(luò)安全, 2022(01)
- [2]基于深度包檢測和生成對抗網(wǎng)絡(luò)的入侵檢測關(guān)鍵技術(shù)研究與實現(xiàn)[D]. 于博文. 南京郵電大學(xué), 2021
- [3]計算機網(wǎng)絡(luò)入侵檢測系統(tǒng)的研究[J]. 陳曉安. 電子測試, 2021(18)
- [4]某實驗室工控系統(tǒng)網(wǎng)絡(luò)入侵檢測技術(shù)研究[D]. 李健. 福建工程學(xué)院, 2021(02)
- [5]DRL-IDS:基于深度強化學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)入侵檢測系統(tǒng)[J]. 李貝貝,宋佳芮,杜卿蕓,何俊江. 計算機科學(xué), 2021(07)
- [6]基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測技術(shù)研究[D]. 黃麗婷. 西安理工大學(xué), 2021(01)
- [7]基于特征增強和集成學(xué)習(xí)的工控系統(tǒng)入侵檢測研究[D]. 黃一鳴. 北京石油化工學(xué)院, 2021(02)
- [8]基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測研究綜述[J]. 肖建平,龍春,趙靜,魏金俠,胡安磊,杜冠瑤. 數(shù)據(jù)與計算發(fā)展前沿, 2021(03)
- [9]面向智能家居的入侵檢測研究[D]. 沈少禹. 中國人民公安大學(xué), 2021
- [10]基于人工智能的網(wǎng)絡(luò)入侵檢測技術(shù)研究[D]. 牛頡. 北京郵電大學(xué), 2021(01)
標簽：入侵檢測系統(tǒng)論文; 機器學(xué)習(xí)論文; 深度學(xué)習(xí)算法論文; 入侵檢測技術(shù)論文; 網(wǎng)絡(luò)攻擊論文;