發(fā)布時(shí)間：2020-11-20 12:05

　　 隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,網(wǎng)絡(luò)攻擊所帶來的危害也愈加嚴(yán)重,如何在被攻擊之前快速、準(zhǔn)確、全面的進(jìn)行識(shí)別和防護(hù),對于確保信息系統(tǒng)的安全運(yùn)行和減少經(jīng)濟(jì)損失具有重大的現(xiàn)實(shí)意義。本文基于異常流量的發(fā)現(xiàn)和分析,對網(wǎng)絡(luò)攻擊檢測技術(shù)進(jìn)行研究,旨在進(jìn)一步提高網(wǎng)絡(luò)攻擊檢測模型的及時(shí)性和準(zhǔn)確性。具體工作如下:(1)提出基于網(wǎng)絡(luò)流量預(yù)測的異常流量檢測模型。該模型首先對網(wǎng)絡(luò)流量時(shí)間序列進(jìn)行相空間重構(gòu),將重構(gòu)后的流量序列作為模型的輸入;再利用具有全局尋優(yōu)能力的粒子群算法(Particle Swarm Optimization,PSO)對Elman神經(jīng)網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化,然后利用訓(xùn)練好的Elman神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量進(jìn)行預(yù)測;最后采用基于K最近鄰(K Nearest Neighbor,KNN)累計(jì)距離的異常流量檢測方法,檢測預(yù)測流量的異常情況。網(wǎng)絡(luò)流量預(yù)測精度的提高,使得異常流量的檢測具有及時(shí)性。(2)提出基于異常流量的網(wǎng)絡(luò)攻擊檢測模型。該模型將異常流量檢測模型檢測到的異常流量作為輸入,首先利用極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)算法將線性不可分的樣本從低維空間影射到高維特征空間,使其變?yōu)榫�性可分;然后用KNN算法對影射到高維特征空間的樣本進(jìn)行分類,建立攻擊檢測分類器,識(shí)別網(wǎng)絡(luò)攻擊類型。實(shí)驗(yàn)結(jié)果表明,相比其他攻擊檢測方法,本文提出的基于異常流量分析的網(wǎng)絡(luò)攻擊檢測模型提高了入侵檢測正確率,能夠有效識(shí)別網(wǎng)絡(luò)攻擊類型,確保信息系統(tǒng)安全。
【學(xué)位單位】：中國民航大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP393.08
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 異常流量檢測研究現(xiàn)狀
        1.2.2 網(wǎng)絡(luò)攻擊檢測研究現(xiàn)狀
        1.2.3 網(wǎng)絡(luò)流量預(yù)測研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第二章 相關(guān)理論研究
    2.1 網(wǎng)絡(luò)異常流量
        2.1.1 蠕蟲病毒
        2.1.2 分布式拒絕服務(wù)攻擊
        2.1.3 掃描攻擊
        2.1.4 遠(yuǎn)程通信
    2.2 相關(guān)算法介紹
        2.2.1 PSO-Elman算法分析
        2.2.2 ELM-KNN算法分析
    2.3 本章小結(jié)
第三章 基于網(wǎng)絡(luò)流量預(yù)測的異常流量檢測
    3.1 網(wǎng)絡(luò)流量預(yù)測模型
        3.1.1 相空間重構(gòu)
        3.1.2 C-C方法
    3.2 實(shí)驗(yàn)部分
        3.2.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
        3.2.2 數(shù)據(jù)預(yù)處理
        3.2.3 相空間重構(gòu)和PSO參數(shù)選定
        3.2.4 結(jié)果與分析
    3.3 異常流量檢測
    3.4 本章小結(jié)
第四章 基于異常流量的網(wǎng)絡(luò)攻擊檢測模型
    4.1 基于ELM-KNN的網(wǎng)絡(luò)攻擊檢測模型
    4.2 實(shí)驗(yàn)部分
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)環(huán)境
        4.2.2 冗余特征的篩選
        4.2.3 KNN算法的K值的選擇
        4.2.4 ELM隱含層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)的選擇
        4.2.5 實(shí)驗(yàn)結(jié)果與分析
    4.3 本章總結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者簡介

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭成華;;基于KDDCUP99數(shù)據(jù)集的入侵檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2017年12期

2 田中大;李樹江;王艷紅;王向東;;高斯過程回歸補(bǔ)償ARIMA的網(wǎng)絡(luò)流量預(yù)測[J];北京郵電大學(xué)學(xué)報(bào);2017年06期

3 盧誠波;林銀河;梅穎;;基于ELM特征映射的kNN算法[J];復(fù)旦學(xué)報(bào)(自然科學(xué)版);2016年05期

4 李宇翀;魏東;羅興國;錢葉魁;劉鳳榮;;基于多元增量分析的全網(wǎng)絡(luò)在線異常檢測方法[J];上海交通大學(xué)學(xué)報(bào);2016年09期

5 張立仿;張喜平;;量子遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J];計(jì)算機(jī)工程與科學(xué);2016年01期

6 左青云;陳鳴;王秀磊;劉波;;一種基于SDN的在線流量異常檢測方法[J];西安電子科技大學(xué)學(xué)報(bào);2015年01期

7 唐舟進(jìn);彭濤;王文博;;一種基于相關(guān)分析的局域最小二乘支持向量機(jī)小尺度網(wǎng)絡(luò)流量預(yù)測算法[J];物理學(xué)報(bào);2014年13期

8 楊雅輝;黃海珍;沈晴霓;吳中海;張英;;基于增量式GHSOM神經(jīng)網(wǎng)絡(luò)模型的入侵檢測研究[J];計(jì)算機(jī)學(xué)報(bào);2014年05期

9 孫軼軒;邵春福;計(jì)尋;朱亮;;基于ARIMA與信息粒化SVR組合模型的交通事故時(shí)序預(yù)測[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

10 張萌;張滬寅;葉剛;;延遲時(shí)間和嵌入維數(shù)聯(lián)合優(yōu)化的網(wǎng)絡(luò)流量預(yù)測[J];計(jì)算機(jī)工程與應(yīng)用;2014年04期

相關(guān)博士學(xué)位論文 前2條

1 高妮;網(wǎng)絡(luò)安全多維動(dòng)態(tài)風(fēng)險(xiǎn)評估關(guān)鍵技術(shù)研究[D];西北大學(xué);2016年

2 鄔書躍;基于支持向量機(jī)和貝葉斯分析技術(shù)的入侵檢測方法研究[D];中南大學(xué);2012年

相關(guān)碩士學(xué)位論文 前5條

1 王有金;數(shù)據(jù)挖掘在入侵檢測系統(tǒng)中的應(yīng)用研究[D];吉林大學(xué);2017年

2 彭徽;基于改進(jìn)動(dòng)態(tài)聚類算法的兩步入侵檢測研究[D];安徽理工大學(xué);2016年

3 宋若寧;海量數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量異常檢測的研究[D];北京郵電大學(xué);2015年

4 賀其備;基于支持向量機(jī)的入侵檢測研究[D];東北師范大學(xué);2013年

5 張來武;改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論融合在入侵檢測系統(tǒng)中的應(yīng)用[D];云南大學(xué);2013年

本文編號(hào)：2891391