检索结果-南通市图书馆

基于深度学习的DDoS攻击检测方法研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的DDoS攻击检测方法研究与实现

作者：王博贵州大学

学位级别：硕士

分布式拒绝服务(DDoS)网络攻击凭借着有利的网络环境,更加容易地消耗被攻击者的资源,所带来的影响对各个拥有网络资源的公司或者组织产生了极大威胁,特别是针对骨干网络。当前DDoS攻击流量与合法用户的并发流量所包含的特征信息已经趋... 详细信息

分布式拒绝服务(DDoS)网络攻击凭借着有利的网络环境,更加容易地消耗被攻击者的资源,所带来的影响对各个拥有网络资源的公司或者组织产生了极大威胁,特别是针对骨干网络。当前DDoS攻击流量与合法用户的并发流量所包含的特征信息已经趋于一致,并且随着网络流量传输速度的加快,现有的检测方法逐渐表现出局限性。因此,在基于深度学习的DDoS攻击检测目标下,分别从频域分析层面和深度学习模型结构层面进行研究,实现对DDoS攻击的检测。完整的网络流量序列可以很好的代表用户行为,但是当前利用网络流量进行特征分析的DDoS攻击检测方法难以更好的区分正常流量和攻击流量,并且难以保证检测效率。因此,首先按照时间序列对网络流量进行规则化采样并应用离散小波变换获得频域信息,结合由原采样信号中提取的统计量组成一维特征集。其次,提出一种基于自编码器的网络模型,通过改进自编码器网络结构,在前向传播过程中为统计量和频域信息的计算增加权重,用以增强隐藏特征表达;最后,提出一种自适应知识蒸馏的模型压缩方法,通过梯度下降原理令超参数动态变化,实现模型的有效压缩,增加模型的检测效率。实验证明该方法对DDoS攻击具有很好的识别效果以及可以得到更优的检测模型。一维特征集通过自编码器编码的非线性隐藏特征,用于检测任务时,泛化能力有待提高。因此,首先提出一种数据重构方法,通过将一维数据规则化重构为二维数据,实现在数据方面的优化操作;其次提出一种融合稀疏注意力计算模块,并提出攻击频次估计值,用其引导稀疏注意力计算,实现对数据的详细特征提取。最后将频域信息与统计量进行分区域计算,减少信息间的干扰。实验证明该方法可以有效提高模型的泛化能力。通过本文研究成果设计并搭建DDoS攻击检测工具。该工具由前后端分离技术搭建,其中后端功能包括监听网络状态并反馈给前端显示、采集网络信息、离散小波计算、统计量提取、攻击检测;前端功能包括流量监控、日志和设置界面,实现友好的交互作用。在测试阶段,搭建网络拓扑结构图,通过两台计算机模拟DDoS攻击与检测,测试本文所提方法的检测效率和检测能力。

关键词：分布式拒绝服务攻击频域分析自编码器知识蒸馏自注意力机制

JavaScript恶意代码检测方法的研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

JavaScript恶意代码检测方法的研究与实现

作者：张志宁贵州大学

学位级别：硕士

随着前端技术发展,JavaScript代码混淆方式越发丰富,这导致JavaScript代码可读性大幅下降,同时也为恶意代码的隐藏提供便利。深度学习方法可以实现自动化特征提取,这让深度学习方法成为了研究人员研究JavaScript恶意混淆代码的重要工具... 详细信息

随着前端技术发展,JavaScript代码混淆方式越发丰富,这导致JavaScript代码可读性大幅下降,同时也为恶意代码的隐藏提供便利。深度学习方法可以实现自动化特征提取,这让深度学习方法成为了研究人员研究JavaScript恶意混淆代码的重要工具之一。当前混淆方式的多样性,使得混淆后的代码风格多样、样式灵活,检测模型在获取混淆代码特征时较为困难。基于此,本文将使用深度学习方法对JavaScript恶意混淆代码检测进行研究。混淆技术在对代码进行混淆时会改变代码的长度,当混淆后代码长度变得很短时,现有模型在检测时会出现短距离关联信息弱化的问题。这是因为模型在训练中对过短的JavaScript代码特征初始权重相对较小,在训练加深时短距离间的关联特征会被削弱。为了解决该问题,本文提出了自适应JavaScript代码长度的检测模型JACLNet。首先,使用卷积神经网络(CNN)构建短距离关联特征提取模型SDANet,用于获取JavaScript中短距离间的语义信息并减少模型计算量;其次,使用双向长短时记忆网络(BiLSTM)获取JavaScript长距离间的语义信息;最后,使用Transformer的Encoder网络(Transformer-Encoder)对提取出来的语义信息进行特征增强。实验结果表明,本文提出的JACLNet模型与现有JavaScript恶意代码检测方法相比,在提高检测精度的同时能够保持较好的实时性。恶意代码为了隐藏代码间的关联特征信息,使用混淆技术对代码间的调用关系进行混淆,导致模型在进行特征提取时容易忽略代码间的关联特征信息。为了解决该问题,本文提出了JavaScript代码关联信息提取模型JDFENet。首先,本文使用BiLSTM来获取语句块内的语义信息;然后,使用前馈神经网络构建多层前馈神经网络MFNet对BiLSTM提取出的语义特征信息进行增强,方便后续模型进行关联特征提取;最后,使用图卷积神经网络GCN获取语句之间的关联信息。实验结果表明,本文方法在测试数据集上显示了更低的误报率和漏报率。为了方便用户使用本文提出的模型进行JavaScript恶意代码检测,本文基于上述模型,通过Chrome扩展程序实现了JavaScript恶意代码检测工具。当用户打开新页面,检测工具会获取用户打开的URL地址,通过URL地址下载HTML页面,提取JS文件,通过数据预处理的方法将JS文件转为向量,最后通过上述模型进行检测,并将结果返回给客户端。通过测试发现本文提出的JavaScript恶意代码检测工具可以有效的对页面中JavaScript代码进行检测。

关键词： JavaScript混淆代码深度学习长短时记忆网络关联信息提取检测工具

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络股票预测模型的研究与实现

基于神经网络股票预测模型的研究与实现

作者：邓烜堃贵州大学

学位级别：硕士

股市是国家经济的晴雨表,可以在一定程度上反映经济的稳定性和健康程度,在国家经济体系中具有重要地位。如何能较为准确地预测股票价格及走势是当今产业界和学术界面临的一项重要难题。以深度学习为代表的人工智能技术目前正在被广泛应... 详细信息

股市是国家经济的晴雨表,可以在一定程度上反映经济的稳定性和健康程度,在国家经济体系中具有重要地位。如何能较为准确地预测股票价格及走势是当今产业界和学术界面临的一项重要难题。以深度学习为代表的人工智能技术目前正在被广泛应用于各个领域,其中在金融领域有着广阔的应用前景。深度学习具有从海量数据中学习数据规律的能力,本文借鉴了股票技术分析中使用指标预测价格的思想,设计了一套基于深度神经网络的股票预测模型,模型由两部分组成:特征提取部分和股票预测部分,特征提取模型基于深度自编码器构建,用于从股票的指标数据中提取特征来表示股票当前的状态,预测模型基于长短时记忆神经网络构建,可以根据历史状态预测当前价格。最后使用了dropout和L2正则化方法优化模型,减小模型过拟合的风险。本文使用酿酒板块的数据构建数据集,并设计了多组实验验证模型效果。首先构建了不同深度的自编码器,以预测精度和重构误差为标准比较其编码效果;其次比较了本模型与其他特征提取方法的提取效果,以主成分分析法(PCA)和因子分析法(FA)作为比较对象,深入分析了不同方法的差异;最后比较了本模型与其他预测模型的预测效果和运行时间。实验表明,本文设计的模型特征提取效果较好,预测精度较高,算法时间复杂度适中,具有一定的实用性。最后,本文使用python设计了一套基于B/S架构的股票预测系统,该系统实现了预测结果展示、实时股票数据获取等功能,为用户提供了便利。

关键词：股票预测深度学习深度自编码器特征提取长短时记忆神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的入侵检测研究与应用

基于深度学习的入侵检测研究与应用

作者：黄海彬贵州大学

学位级别：硕士

随着网络信息技术的蓬勃发展,人类社会进入到一种高度信息化的状态之中,每天都有海量的信息产生,与此同时,网络入侵行为的发生也日益频繁。然而,面对海量数据,传统的入侵检测系统检测能力已不能满足系统安全需求。深度学习方法因其强大... 详细信息

随着网络信息技术的蓬勃发展,人类社会进入到一种高度信息化的状态之中,每天都有海量的信息产生,与此同时,网络入侵行为的发生也日益频繁。然而,面对海量数据,传统的入侵检测系统检测能力已不能满足系统安全需求。深度学习方法因其强大的数据表征学习能力,在处理高维、复杂入侵数据方面节省了大量时间。基于此,本文将多尺度卷积神经网络(MSCNN)、Transformer和双向长短期记忆网络(Bi LSTM)应用于入侵检测。研究内容如下:1、首先对常用的入侵检测方法展开了研究,针对单一的深度学习模型无法同时提取时间和空间特征的问题,提出了一种基于MSCNN-Bi LSTM网络的入侵检测方法。该方法首先处理捕获的数据,其次利用MSCNN和Bi LSTM分别学习输入数据的空间和时间特征,最后将时空特征融合,使用多层感知机进行分类。2、针对入侵数据的不平衡问题,本文提出了一种基于SMOTE和GMM的数据重采样方法SMOTE-GMM。该方法通过SMOTE计算少数类样本的欧式距离来产生新样本并对多数类利用GMM进行聚类操作,从每一个聚类中选择样本使数据集达到一个相对理想状态。3、针对入侵数据的时间相关性和加快模型收敛速度,提出了一种基于Transformer的入侵检测方法。该方法利用Transformer的编码器和解码器协同训练,建立输入与输出的联系,通过softmax输出分类结果。为验证本文入侵检测方法的有效性,在NSL KDD数据集上进行实验验证。并在上述工作的基础上,设计与实现了一个检测工具,用来实现对所收集数据的检测。

关键词：入侵检测 MSCNN-BiLSTM 数据不平衡 SMOTE-GMM Transformer

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于小样本学习的入侵检测方法研究与实现

基于小样本学习的入侵检测方法研究与实现

作者：孙菡迪贵州大学

学位级别：硕士

入侵检测是保障网络空间安全的一个重要手段,基于深度学习的入侵检测技术已成为当前的研究热点,并且在检测准确率方面已经取得了良好的效果,但是仍存在一些问题。首先,许多深度学习的入侵检测方法需要使用足够多的标记样本来训练分类器... 详细信息

入侵检测是保障网络空间安全的一个重要手段,基于深度学习的入侵检测技术已成为当前的研究热点,并且在检测准确率方面已经取得了良好的效果,但是仍存在一些问题。首先,许多深度学习的入侵检测方法需要使用足够多的标记样本来训练分类器,而在现实的网络环境中,网络入侵行为发生的频次远小于正常网络行为,因此异常流量远少于正常流量,获取入侵样本的过程既费时又费力。其次,网络攻击变种层出不穷,导致入侵样本稀少,无法满足深度学习模型训练的条件,使得模型针对小样本入侵数据的检测效果不佳。小样本学习是解决训练样本不足的一种方法,能够使用少量的样本进行学习并达到良好的检测效果。本文将小样本学习的思想应用到入侵检测领域,用于解决入侵样本难以获取且数量不足的问题,主要的研究内容和贡献包括以下几点:(1)针对入侵样本难以获取的问题,本文在数据层面提出了一种基于小样本数据增强的入侵检测模型。首先使用带有辅助分类器的生成对抗网络(Auxiliary Classifier GAN,ACGAN)对小样本入侵数据进行扩充,生成指定类别的数据,使入侵样本数量满足深度学习模型的训练需要。接着,构建了面向会话数据的Transformer入侵检测分类模型,使用扩充后的数据进行训练。经实验验证,使用ACGAN扩充后的数据集训练的模型检测准确率要高于使用原数据集训练的模型。(2)针对小样本入侵类别检测准确率低的问题,本文在模型层面提出了一个基于胶囊原型注意力网络的小样本入侵检测模型。首先提出了时空特征融合模型,使用胶囊网络提取更具代表性的空间特征,保留更多的样本信息;同时,考虑到网络流量数据具有时序关联信息,使用长短期记忆网络提取数据的时间特征,将两者融合为时空特征。接着以原型网络为基础构建分类模型,添加注意力机制模块并引入投票机制,经实验验证,该模型在不改变数据总量的情况下,有效地提升了小样本类别的检测准确率。(3)在上述两个研究内容的基础上,本文设计并实现了入侵检测工具,分别实现了流量采集、攻击检测、结果展示三大功能模块。

关键词：入侵检测小样本学习数据增强原型网络注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的恶意代码检测方法研究

基于深度学习的恶意代码检测方法研究

作者：马丹贵州大学

学位级别：硕士

互联网的高速发展给人们的生活带来便利,同时也给网络安全带来了前所未有的挑战,恶意代码数量每年以亿计的趋势增长。为了对抗恶意代码,恶意代码检测技术不断更新进步。现有的检测方法中,基于动态分析的方法能取得较高准确率,但检测时... 详细信息

互联网的高速发展给人们的生活带来便利,同时也给网络安全带来了前所未有的挑战,恶意代码数量每年以亿计的趋势增长。为了对抗恶意代码,恶意代码检测技术不断更新进步。现有的检测方法中,基于动态分析的方法能取得较高准确率,但检测时间长、资源消耗严重;基于静态分析的方法能够实现快速检测,但存在对长序列处理不佳,同时对可视化方法的可解释性有待改进。而深度学习技术自然语言处理领域和图像处理领域取得杰出的研究成果。因此,本文在基于深度学习的恶意代码检测框架下,分别从恶意代码的操作码序列层面和灰度图层面实现对恶意代码的检测。第一,操作码是程序在执行过程中规定的指令序列,可以很好地反应程序的行为。但当前基于操作码的恶意代码检测方法难以处理长序列,且对未知样本的检测率不高。因此,本文提出基于通道多头注意力网络(Channel Multi-headed Attention Net,CMANet)的检测方法。该方法首先通过一定的策略获取单个恶意代码的多条操作码序列,形成多维特征向量。其次利用卷积自编码网络对多维特征向量进行降维,形成压缩表达。最后利用CMANet检测模型对压缩表达进行有效的特征提取并检测。与传统的检测方法相比,本文方法能够获取恶意代码中丰富的操作码序列、提取较为有效的特征,提高了准确率,并且有效检测到未知样本。第二,鉴于目前大多数基于恶意代码灰度图分类方法只能做到恶意代码的分类,但是难以解释恶意代码的功能。因此,本文提出基于Attention-CNN的恶意代码分类方法。该方法首先将恶意代码的二进制文件可视化为灰度图,其次构建了Attention-CNN分类模型,通过卷积神经网络和注意力机制对灰度图进行有选择性的特征提取,即在特征提取过程中强调重要特征,弱化不重要的特征。最后将注意力层提取到的特征经过softmax分类器实现恶意代码的分类,并可视化注意力层获取注意力图,对注意力图中权重值大小为前三的位置进行标注,通过IDApro根据标注的位置实现恶意代码的可解释性分析。与传统方法比较,本文的方法提高了分类准确率,且实现了对灰度图可解释性工作。

关键词：恶意代码检测操作码序列注意力机制恶意代码分类深度学习