检索结果-南通市图书馆

检索条件"主题词=对数神经网络"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

面向网络入侵检测的深度学习模型与算法研究

面向网络入侵检测的深度学习模型与算法研究

引用

作者：徐振宇江西理工大学

学位级别：硕士

计算机网络技术高速发展的同时,计算机病毒、网络入侵纷至沓来,传统的入侵检测方法面对当前的网络入侵行为逐渐呈现出一些弊端,例如检测准确率低、误报率高、数据特征提取困难、模型运行时间成本较高等问题。基于此,本文将深度学习方法... 详细信息

计算机网络技术高速发展的同时,计算机病毒、网络入侵纷至沓来,传统的入侵检测方法面对当前的网络入侵行为逐渐呈现出一些弊端,例如检测准确率低、误报率高、数据特征提取困难、模型运行时间成本较高等问题。基于此,本文将深度学习方法应用于入侵检测领域,主要从神经网络参数优化、神经网络层内部信息传播过程改进等方面进行深入分析研究,提出高效精确的入侵检测算法。本文的主要工作如下:(1)针对网络入侵数据特征间存在未知的非欧式空间图结构关系,本文设计了一种能够挖掘、处理样本数据间未知关联关系的新型神经网络——元图神经网络(Meta Graph Neural network,MGNN)并将其应用于网络入侵检测。MGNN重新定义了神经网络层内部的运算方式,在样本特征数据间图结构关系未知的前提下,建立单条样本特征数据内部的图结构关系,并实现对该图结构关系的深入挖掘,得到辅助信息帮助鉴别网络入侵数据。此外针对MGNN存在的图信息传播过程中父代信息湮灭现象提出反信息湮灭策略;并设计了注意力损失函数,简化MGNN中实现注意力机制的运算过程。在KDD-NSL、UNSW-NB15、CICDo S2019数据集上的实验表明,与经典深度学习算法DNN、CNN、RNN、LSTM和传统机器学习算法SVM、DT、RF、KNN、LR相比MGNN在准确率、F1值、精确率、召回率评价指标上均具有明显优势。(2)传统神经网络在处理网络入侵数据时需要对样本数据进行预处理,这会导致数据精度丢失,从而影响检测效果,对此本文设计了一种对数神经元(Logarithm Neuron,LOGN),与传统神经网络内部运算规则不同,LOGN中是进行对数运算的,每个LOGN中对数运算的底数由神经网络根据具体任务的需要通过梯度下降算法自适应的确定,由于底数不同情况下对数函数增减性的不同,导致LOGN对样本数据特征值变化的敏感度也不同,这使得LOGN具有更强的数据特征提取能力。在LOGN的基础上本文设计了对数神经网络层(Logarithmic Neural Network Layer,LOGL),利用LOGL与全连接神经网络相结合进一步设计了深度对数神经网络(Logarithmic Neural Network,LOGNN)。为了防止LOGNN出现梯度消失现象,提出了一种反梯度消失损失函数(Loss Function of Anti Gradient Vanishing,AGLF)。实验证明LOGNN能够在仅堆叠四层神经网络的前提下,在检测精度上明显优于传统机器学习和深度神经网络方法,同时训练时间、检测时间都大大降低。(3)针对现有模型特征提取能力不足、可解释性差的问题,本文将快速傅里叶变换(fast Fourier Transform,FFT)与深度学习相融合,设计了一种深度傅里叶神经网络(Fourier Neural Network,FNN)。FNN由深度傅里叶神经网络块(DFNNB)组成。DFNNB首先对进入其中的数据进行FFT得到数据在频域的表示。在此基础上,本文设计了一种高能滤波过程(High-energy Filtering Process,HFP),HFP的核心为高能选择算法(High-energy Selecting Algorithm,HSE),通过HFP能够高效的获取数据的主要频率成分滤除次要成分,滤除数据噪声,最后为将经过HFP处理后的频域数据分配待训练的权重向量。仿真实验结果显示,FNN相比于现有入侵检测模型具有更优的检测能力。(4)针对传统机器学习方法存在的缺陷,本文将深度学习应用于入侵检测领域,提出一种基于稀疏自编码器(Sparse Auto Encoder,SAE)与深度残差网络(Deep Residual Network,DRN)的入侵检测模型(SAE-DRN)。在SAE-DRN模型中首先使用SAE对数据细微特征模式进行高效提取,然后再使用深度残差网络对SAE所提取的特征模式进行进一步处理,利用深度神经网络强大的特征表达能力提高模型的检测精度。此外针对深度神经网络调参困难的问题,本文提出带有全方位变步长搜索策略以及回溯式步长更新法则的改进天牛须搜索算法(Enhance Beetle Antennae Search,EBAS),EBAS对SAE-DRN中神经网络层数、每层神经网络中神经元的个数进行优化。实验结果表明SAE-DRN入侵检测模型在UNSW-NB15和NSL-KDD数据集上取得了较好的检测效果。

关键词：入侵检测深度学习元图神经网络对数神经网络傅里叶神经网络稀疏自编码器深度残差网络天牛须优化算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：