检索结果-南通市图书馆

基于深度学习的物联网设备流量异常检测算法研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的物联网设备流量异常检测算法研究与应用

作者：李欣磊华东交通大学

学位级别：硕士

随着信息科学技术的蓬勃发展,物联网(Internet of Thing,Io T)设备广泛应用在各行各业中,然而已知或未知的网络攻击给Io T设备带来不容忽视的安全风险。为了保障Io T设备安全,需要对其流量数据进行异常检测。在各种异常检测方法中,基于... 详细信息

随着信息科学技术的蓬勃发展,物联网(Internet of Thing,Io T)设备广泛应用在各行各业中,然而已知或未知的网络攻击给Io T设备带来不容忽视的安全风险。为了保障Io T设备安全,需要对其流量数据进行异常检测。在各种异常检测方法中,基于机器学习的检测方法不仅依靠人工收集攻击特征、而且需要根据新的攻击来更新特征库,从而难以满足高效、准确的Io T需求。此外,由于Io T设备种类繁多、应用场景多样化,造成其活动模式具有显著差异,这种差异化直接导致流量的特征属性明显不同,增加了异常检测方法提取特征的挑战性。因此,在不同的应用环境下,如何有效地检测出设备流量异常,对保障物联网基础设施安全有着十分重要的现实意义。针对当前方法对不同类型的数据检测效果差的问题,本文引入深度学习算法,并设计了两种不同的特征提取方案,具体研究内容及成果如下:(1)针对流量数据差异化较大的智能化Io T设备,本文提出了一种基于统计特征与注意力机制的异常检测方法:利用统计特征提取方法,从一维和二维的角度对流量数据提取110个特征,使得流量数据信息能更充分的表达。进一步采用注意力机制对提取到的多维特征赋予权重,避免因特征维度过多,造成模型无法表达重要信息。实验证明,提取到的多维特征有助于模型判断异常,与主流模型相比,提出的方法能进一步提高异常检测效果。(2)针对周期性特点较强的轻量级Io T设备,本文提出了一种名为Haar AE的异常检测方法:引入Haar小波变换提取流量数据的时域和频域的复杂周期性特点。构建了基于卷积长短期记忆网络与解码器的级联网络结构,增加自编码器在解码过程中可捕获的信息,提高模型的拟合能力。实验证明,Haar AE在不同数据集中的异常检测准确性均高于传统和先进的异常检测算法,并具有较好的鲁棒性。(3)最后,本文搭建了基于上述两个模型的Io T设备流量异常检测系统,该系统包括数据存储、可视化展示等一系列模块,经过实验和系统测试后,检验了该系统具有一定的实用价值。

关键词：流量异常检测自编码器深度学习注意力机制 Haar小波变换

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时频分析的网络流量异常检测研究

基于时频分析的网络流量异常检测研究

作者：张鹏电子科技大学

学位级别：硕士

随着计算机网络规模和应用领域的日益扩大,网络已经成为人们日常工作和生活的重要组成部分。但是随着网络的普及程度越来越高,由网络攻击、蠕虫病毒、恶意下载、设备异常等因素导致的网络流量异常对网络性能的影响越来越大,某些带有攻... 详细信息

随着计算机网络规模和应用领域的日益扩大,网络已经成为人们日常工作和生活的重要组成部分。但是随着网络的普及程度越来越高,由网络攻击、蠕虫病毒、恶意下载、设备异常等因素导致的网络流量异常对网络性能的影响越来越大,某些带有攻击性的异常流量干扰了正常的网络运行秩序,对网络安全造成了严重威胁。在这种情况下,如何及时而准确的检测出网络流量异常,保证网络的正常运行,为用户提供一个良好的网络环境成为一个备受关注的研究课题。如果将流量看作一个时变信号,流量的异常不仅表现在时域上,在频率域上同样会表现出来,而且可以更加深入的表现出异常的某些内在特征。现有的流量异常检测方法大都仅仅讨论了流量信号的时域特征,而对其频域特征较少涉及。本文研究基于时频分析的流量异常检测方法,就是要弥补单纯时域分析方法的不足,更加深入的发掘流量异常在时频域上表现出的这些内在特征,从而更加准确的检测流量异常。本文总结了已有的各种网络流量异常检测相关的方法和模型,在应用时频分析方法检测流量异常这个方向上进一步研究,提出了一些新的分析思路,并结合时频分析、模式识别及统计分析算法,提出了各自的检测模型。第一,实现了一种基于魏格纳-威利分布的网络流量异常检测算法。通过魏格纳-威利分布分析网络流量信号在时频分布上所反映出的内在特点,根据历史流量的经验构造正常流量和异常流量两个训练样本空间,通过K最近邻分类算法将带检测流量信号的时频分布与训练样本进行比较,完成对检测样本的自动分类识别。第二,分析网络流量的异常变化在流量信号的瞬时频率变化曲线上所突显出的特征,提出了基于瞬时频率分析的网络流量异常检测算法。同时基于所应用的滑动窗口的特点,提出了一种基于滑动窗口的瞬时频率快速算法。通过对历史窗口和检测窗口内流量信号瞬时频率的方差分析,实现了对流量异常的自动检测。第三,利用广义希尔伯特变换具有抗干扰能力强,更能突出主要的异常变化的优点,本文提出将广义希尔伯特变换用于网络流量信号处理,分析了流量异常在通过广义希尔伯特变换得到瞬时流量(信号的瞬时振幅)上显现出的特征,结合滑动窗口技术,通过对历史窗口和检测窗口内瞬时流量的方差分析,实现了流量异常自动检测。

关键词：流量异常检测时频分析魏格纳-威利分布瞬时频率广义希尔伯特变换

电网工控系统安全防护中流量异常检测的研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电网工控系统安全防护中流量异常检测的研究与应用

作者：刘亚丽中国科学院大学(中国科学院沈阳计算技术研究所)

学位级别：硕士

“两化融合”的电网工控系统作为国家关键基础设施至关重要。但在工控安全形势不断严峻的情况下,“两化融合”的电网工控系统因所用工控网络软硬件的不断通用性、网络环境开放性和自身脆弱性,导致针对电网工控系统的网络攻击不断发生。... 详细信息

“两化融合”的电网工控系统作为国家关键基础设施至关重要。但在工控安全形势不断严峻的情况下,“两化融合”的电网工控系统因所用工控网络软硬件的不断通用性、网络环境开放性和自身脆弱性,导致针对电网工控系统的网络攻击不断发生。由于与传统互联网安全差异较多,所以作为一个较新的领域,总体来说我国工控领域的网络安全研究仍处于起步阶段。当前电力企业的电网工控系统安全防护中仍存在:网络安全防护方法单一以依赖防火墙等的预先参数设定实现过滤控制为主,自动化水平低;电网工控系统中控制网的内防水平低且安全监测和防护缺乏内部网络流量异常检测等问题。为了增强电网工控系统的网络安全防护,提升电网工控系统的内防水平和网络安全感知能力,本文提出了将流量异常检测技术引入针对电网工控系统控制网的安全防护。研究了电网工控系统及其网络流量、安全需求与威胁,以及流量异常检测技术原理、方法分类和算法,提出了基于熵的动态半监督K-means算法并辅以单类支持向量机对半监督K-means算法进行改进,进行了基于流量异常检测的电网工控系统的两级安全防护系统的设计与实现,使流量异常检测和自学习构建白名单进行的访问控制共同形成对电网工控系统的两级安全防护,从而为电网工控系统安全防护中流量异常检测的实践应用奠定基础。

关键词：电网工控系统流量异常检测动态半监督K-means OCSVM 两级安全防护系统

泛在电力物联网中轻量级流量异常检测技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

泛在电力物联网中轻量级流量异常检测技术研究

作者：王昱颖华北电力大学(北京)

学位级别：硕士

泛在电力物联网就是物联网技术在电力行业中广泛应用的专业表述。随着互联网+泛在电力物联网研究和建设的深入展开,电力网络遭受攻击的威胁日益严重,给泛在电力物联网的安全带来了很大压力。网络流量异常检测能够通过对网络流量数据的... 详细信息

泛在电力物联网就是物联网技术在电力行业中广泛应用的专业表述。随着互联网+泛在电力物联网研究和建设的深入展开,电力网络遭受攻击的威胁日益严重,给泛在电力物联网的安全带来了很大压力。网络流量异常检测能够通过对网络流量数据的处理分析,及时发现非正常的流量以及潜在攻击行为。随着深度学习技术的成熟和广泛应用,基于网络流量异常检测领域的应用获得了一定的成果。本文基于泛在电力物联网终端设备,研究基于轻量级深度学习算法的流量异常检测技术。本文的主要研究工作有以下方面:(1)在充分了解泛在电力物联网发展现状和终端安全需求的基础上,提出适用于泛在电力物联网终端的轻量级流量异常检测任务;(2)通过分析目前常用的基于深度学习的流量异常检测技术各自的特点,选取既能减轻计算负担又能保证检测效果的轻量级卷积神经网络方法,选择了MobileNet V2模型进行研究;(3)针对流量数据的一维时序特性,提出改进方案。即在常用的二维模型架构的基础上,将涉及到的网络操作降维处理,并基于MobileNet V2模型进行实验。首先对实验选用的KDD99数据集进行预处理,按8:2的比例划分成训练集和测试集,然后把训练集和验证集分别进行训练并通过验证集的结果来验证模型效果,最后根据F1分数等综合评估指标对模型性能进行评估。实验结果显示,一维MobileNet V2模型能够较好地完成流量异常检测任务,能够很好地适应泛在电力物联网的需求。

关键词：泛在电力物联网流量异常检测轻量级深度学习 MobileNet

基于IEC61850协议解析的变电站流量异常检测研究

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IEC61850协议解析的变电站流量异常检测研究

作者：余刚刚华北电力大学(北京)

学位级别：硕士

随着智能电网的不断发展,变电站系统越来越依赖基于计算机的远程控制和自动化操作,并且以往采用的专用、私有协议逐渐被开放、统一的协议所替代,其所面临的网络安全风险与入侵威胁也因此而增加。作为智能电网的重要组成部分,变电站系统... 详细信息

随着智能电网的不断发展,变电站系统越来越依赖基于计算机的远程控制和自动化操作,并且以往采用的专用、私有协议逐渐被开放、统一的协议所替代,其所面临的网络安全风险与入侵威胁也因此而增加。作为智能电网的重要组成部分,变电站系统的安全性迫切需要加强,为了增强变电站系统对恶意网络攻击的应对能力,本文研究了基于IEC61850协议解析的变电站流量异常检测技术,为构建变电站安全防御系统提供技术支撑。论文所做的主要工作如下:首先,分析了智能变电站的系统结构与安全要求,对变电站系统中可能存在的安全风险进行分析,深入研究了智能变电站控制协议IEC61850等的内容,并对变电站的网络架构进行了分析,研究了协议解析原理以及流量异常检测方法。其次,以IEC61850标准中的关键协议GOOSE和SV协议为研究对象,对其传输机制、服务模型以及报文帧格式进行了深入透彻的分析,充分掌握报文格式及关键内容。最后,在以上研究的基础上,采用基于Libpcap的报文捕获技术,实现对GOOSE和SV流量的采集捕获,对GOOSE和SV协议进行深度解析,从数据链路层至应用层逐层解析,将解析内容与IEC61850标准中的规定以及变电站配置文件内容进行匹配分析,实现对变电站网络的流量异常检测,并通过实验验证了此方法的有效性和准确性。

关键词：变电站 IEC61850 协议解析流量异常检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于局域波分解的流量异常检测方法研究

基于局域波分解的流量异常检测方法研究

作者：吴丽萍电子科技大学

学位级别：硕士

网络流量异常是指当前的流量状态偏离了网络流量的正常行为轨迹,从而影响了网络的性能和服务质量。各种网络异常流量会不同程度地影响到网络的服务质量,严重时甚至会造成网络中断引起巨大的损失。通过网络异常检测可以发现许多网络故障... 详细信息

网络流量异常是指当前的流量状态偏离了网络流量的正常行为轨迹,从而影响了网络的性能和服务质量。各种网络异常流量会不同程度地影响到网络的服务质量,严重时甚至会造成网络中断引起巨大的损失。通过网络异常检测可以发现许多网络故障和性能问题,甚至可以检测出一些未知的恶意攻击。网络流量异常检测系统的检测能力与整个网络的可靠性和稳定性有紧密联系,它对于保证网络的服务质量具有重大意义,因此,网络流量异常检测成为当前网络安全领域中的热点研究问题之一。本文在总结分析国内外网络流量异常检测研究现状的基础上,为进一步提高网络流量异常检测方法的检测率,提出结合局域波分解法和聚类分析进行流量异常检测,主要工作如下: 1.采用局域波分解法进行网络流量信号分析:与傅里叶变换和小波变换等其他时频信号分析方法不同,它以信号的局部特征为基础,比较完整地保留信号的局部信息,对于整个流量信号而言,流量异常行为发生在流量信号的局部范围内,因此用局域波分解法对网络流量信号进行分析可以更加完整地提取出异常特征。 2.提出一种基于局域波分解和改进的k-means算法的异常检测方法:传统k-means算法对初始聚类中心很敏感,并且算法容易陷入局部最优解中难以获得全局最优解。本文针对网络流量异常检测的特点,提出了一种基于局域波分解法和改进的k-means算法的异常检测方法,试验证明相对于传统的k-means算法,本文提出的检测方法对网络流量异常检测具有更好的检测效果。 3.提出了一种基于瞬时参数预测的流量异常检测方法,首先对流量信号进行局域波分解,获得流量信号的瞬时参数,然后对瞬时参数建立ARMA模型,获得瞬时参数估计值,用模型的预测值与实际流量信号瞬时参数的差异来表示异常空间,最后对多条链路瞬时频率的异常空间和瞬时振幅的异常空间构成的高维矢量分别运用改进的k-means算法,综合得出网络流量的异常时段,试验证明,该方法能有效降低误报率和漏报率。

关键词：流量异常检测局域波分析聚类分析

面向工控流量异常检测技术的MF-AQPSO算法设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向工控流量异常检测技术的MF-AQPSO算法设计与实现

作者：李婷婷湖南大学

学位级别：硕士

随着工业互联网技术的发展,工控系统的网络化程度不断提高,从而使得其面临着各种不同的的网络攻击和威胁,甚至可能会对国家和社会造成巨大而不可预测的损失和安全风险。因此,如何有效地保护工控系统的安全已成为工业智能化和信息化建设... 详细信息

随着工业互联网技术的发展,工控系统的网络化程度不断提高,从而使得其面临着各种不同的的网络攻击和威胁,甚至可能会对国家和社会造成巨大而不可预测的损失和安全风险。因此,如何有效地保护工控系统的安全已成为工业智能化和信息化建设的重要任务。为确保工业系统的安全性和稳定性,采用流量异常检测技术是应对这一挑战的重要途径之一。然而,这种技术的检测效果受多种因素影响,其中数据维度过高会严重降低其检测效果,且目前的检测模型也需要进一步提升其检测效果。本文针对工控系统异常检测模型在实际应用中存在的问题,进行文献调研和研究,进而提出一种降维方法来降低特征维度,并以此提出一种优化算法来优化OCSVM参数以提升模型的准确率。本文的大致研究内容和贡献如下:(1)针对工控环境下的数据特征维度高、冗余度高的问题造成模型准确低下等问题,本文提出一种基于MF的工控特征选择算法。该算法首先对密西西比大学构建的天然气管道公共数据集进行归一化处理以消除不同量纲对特征间关系判别的影响,然后计算每个特征与类别的最大信息系数值,将其与分类完全无关的特征进行删除,再者对剩余特征进行冗余特征的判断,以得到与分类相关性最大,且与其他特征的影响最小的特征子集。最后,通过实验验证可知,本文提出的降维算法针对本文的数据集可以提高ICS的检测效果。(2)针对真实工控环境中数据分布不均衡问题所导致的流量异常检测算法检测效率不理想的情况,本文提出一种基于改进后量子粒子群群算法(MF-AQPSO算法)来优化OCSVM的两个超参数以提升OCSVM模型的检测效果。由于QPSO算法存在种群分布质量不高,导致粒子在搜索空间中易受局部最优解的困扰,故在粒子种群的初始化阶段及粒子位置更新的随机数中应用混沌思想以改善粒子种群的分布。为了提高粒子的搜索能力,该算法利用自适应收缩扩张系数来动态调整收敛速度。针对粒子搜索易陷入局部最优解的问题,引入高斯变异机制来改进粒子位置的更新。最后,通过实验验证,本文提出的MF-AQPSO算法与OCSVM的结合,可以提高模型的检测性能。

关键词：工业控制系统特征选择流量异常检测单类支持向量机

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模型组合的网络流量异常检测方法研究

基于多模型组合的网络流量异常检测方法研究

作者：宋鑫哈尔滨理工大学

学位级别：硕士

网络流量异常检测作为保障网络安全的一种重要手段,是当前网络安全领域研究的热点。现有的检测手段多采用机器学习的方式进行网络流量异常检测,但是传统的机器学习算法需要人工来手动设计特征,在当前的大数据环境下,这将导致非常高的人... 详细信息

网络流量异常检测作为保障网络安全的一种重要手段,是当前网络安全领域研究的热点。现有的检测手段多采用机器学习的方式进行网络流量异常检测,但是传统的机器学习算法需要人工来手动设计特征,在当前的大数据环境下,这将导致非常高的人工成本。深度学习因其拥有很强的表征能力,可以自动从海量复杂的网络数据中提取特征。本文针对网络流量异常检测和深度学习方法进行分析,研究了基于多模型组合的网络流量异常检测的方法。本文主要的研究内容如下:针对一种深度神经网络提取的网络流量特征单一导致的准确率较低问题,提出了一种基于残差神经网络和双向门控循环单元的混合特征提取模型。该模型能够利用残差神经网络提取网络流量数据的空间特征,采用双向门控循环单元提取网络流量数据的时序特征,同时混合两种特征来增强网络流量的表达能力。在多种数据集上的实验结果表明,基于残差神经网络和双向门控循环单元的混合特征提取模型在性能上优于单一深度学习方法以及机器学习方法。针对网络模型直接使用原始流量数据需要统一大小而裁剪流量时导致的部分信息丢失问题,提出了一种基于卷积神经网络和自编码器的多信息融合模型。该模型采用卷积神经网络直接从原始流量数据中提取特征,采用自编码器对原始流量数据提取的统计特征进行编码,统计特征用来补充由于裁剪而造成的信息损失。将这两种特征组成新的网络流量综合特征,组合而成的新特征具有原始流量数据中的载荷信息,同时具有从统计特征中获取的原始流量数据的全局信息,因此能够更加完整的表达网络流量含有的信息。实验结果表明,使用该模型进行网络流量异常检测,最终分类准确率可以超过经典机器学习方法。

关键词：流量异常检测残差神经网络深度学习门控循环单元自编码器

改进生成对抗网络与残差网络的流量异常检测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机技术与发展 2024年

作者：陈虹杨思文金海波武聪由雨竹辽宁工程技术大学软件学院辽宁工程技术大学科学技术研究院

针对网络流量异常检测中因数据类别不平衡导致检测率不高、尤其少数类检测率偏低的问题，提出了一种结合改进生成对抗网络和残差网络的流量异常检测模型。首先，采用孤立森林算法对正常类样本进行异常值处理，以减少正常类样本与少数攻... 详细信息

针对网络流量异常检测中因数据类别不平衡导致检测率不高、尤其少数类检测率偏低的问题，提出了一种结合改进生成对抗网络和残差网络的流量异常检测模型。首先，采用孤立森林算法对正常类样本进行异常值处理，以减少正常类样本与少数攻击类样本的边界重叠，避免在过采样过程中由于不同类型样本边界相似性而引入新的离群点。其次，利用条件Wasserstein生成对抗网络在保持数据分布一致性的前提下生成新的少数攻击类样本，解决数据失衡问题的同时提高样本多样性。最后，设计了分裂残差融合卷积自编码器-双向门控循环单元的流量异常检测方法，通过分裂残差结构提取多尺度空间特征，结合双向门控循环单元捕捉前后时序信息，并引入锐度感知最小化算法，结合随机梯度下降优化器，进一步提升少数类的检测率。实验结果表明，在NSL-KDD数据集上，该模型的准确率和F1分数分别达到了89.69%和89.71%。与主流方法相比，对U2R和R2L攻击流量的检出率分别提高了至少8.94%和3.39%，并在CICIDS2017场景数据集上进一步验证了该方法的有效性和可行性。

关键词：流量异常检测条件Wasserstein生成对抗网络自编码器孤立森林锐度感知最小化