隨著互聯網技術的飛速發(fā)展,網絡攻擊所帶來的危害也愈加嚴重,如何在被攻擊之前快速、準確、全面的進行識別和防護,對于確保信息系統(tǒng)的安全運行和減少經濟損失具有重大的現實意義。本文基于異常流量的發(fā)現和分析,對網絡攻擊檢測技術進行研究,旨在進一步提高網絡攻擊檢測模型的及時性和準確性。具體工作如下:(1)提出基于網絡流量預測的異常流量檢測模型。該模型首先對網絡流量時間序列進行相空間重構,將重構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神經網絡初始參數進行優(yōu)化,然后利用訓練好的Elman神經網絡對網絡流量進行預測;最后采用基于K最近鄰(K Nearest Neighbor,KNN)累計距離的異常流量檢測方法,檢測預測流量的異常情況。網絡流量預測精度的提高,使得異常流量的檢測具有及時性。(2)提出基于異常流量的網絡攻擊檢測模型。該模型將異常流量檢測模型檢測到的異常流量作為輸入,首先利用極限學習機(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行分類,建立攻擊檢測分類器,識別網絡攻擊類型。實驗結果表明,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絡攻擊檢測模型提高了入侵檢測正確率,能夠有效識別網絡攻擊類型,確保信息系統(tǒng)安全。
【學位單位】：中國民航大學
【學位級別】：碩士
【學位年份】：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 研究現狀
        1.2.1 異常流量檢測研究現狀
        1.2.2 網絡攻擊檢測研究現狀
        1.2.3 網絡流量預測研究現狀
    1.3 本文研究內容
    1.4 論文結構
第二章 相關理論研究
    2.1 網絡異常流量
        2.1.1 蠕蟲病毒
        2.1.2 分布式拒絕服務攻擊
        2.1.3 掃描攻擊
        2.1.4 遠程通信
    2.2 相關算法介紹
        2.2.1 PSO-Elman算法分析
        2.2.2 ELM-KNN算法分析
    2.3 本章小結
第三章 基于網絡流量預測的異常流量檢測
    3.1 網絡流量預測模型
        3.1.1 相空間重構
        3.1.2 C-C方法
    3.2 實驗部分
        3.2.1 實驗數據與環(huán)境
        3.2.2 數據預處理
        3.2.3 相空間重構和PSO參數選定
        3.2.4 結果與分析
    3.3 異常流量檢測
    3.4 本章小結
第四章 基于異常流量的網絡攻擊檢測模型
    4.1 基于ELM-KNN的網絡攻擊檢測模型
    4.2 實驗部分
        4.2.1 實驗數據及實驗環(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)點個數和激勵函數的選擇
        4.2.5 實驗結果與分析
    4.3 本章總結
第五章 總結與展望
    5.1 全文總結
    5.2 展望
致謝
參考文獻
作者簡介

【參考文獻】

相關期刊論文 前10條

1 郭成華;;基于KDDCUP99數據集的入侵檢測系統(tǒng)的設計與實現[J];網絡安全技術與應用;2017年12期

2 田中大;李樹江;王艷紅;王向東;;高斯過程回歸補償ARIMA的網絡流量預測[J];北京郵電大學學報;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];復旦學報(自然科學版);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絡在線異常檢測方法[J];上海交通大學學報;2016年09期

5 張立仿;張喜平;;量子遺傳算法優(yōu)化BP神經網絡的網絡流量預測[J];計算機工程與科學;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];西安電子科技大學學報;2015年01期

7 唐舟進;彭濤;王文博;;一種基于相關分析的局域最小二乘支持向量機小尺度網絡流量預測算法[J];物理學報;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神經網絡模型的入侵檢測研究[J];計算機學報;2014年05期

9 孫軼軒;邵春福;計尋;朱亮;;基于ARIMA與信息粒化SVR組合模型的交通事故時序預測[J];清華大學學報(自然科學版);2014年03期

10 張萌;張滬寅;葉剛;;延遲時間和嵌入維數聯合優(yōu)化的網絡流量預測[J];計算機工程與應用;2014年04期

相關博士學位論文 前2條

1 高妮;網絡安全多維動態(tài)風險評估關鍵技術研究[D];西北大學;2016年

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

相關碩士學位論文 前5條

1 王有金;數據挖掘在入侵檢測系統(tǒng)中的應用研究[D];吉林大學;2017年

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

3 宋若寧;海量數據環(huán)境下的網絡流量異常檢測的研究[D];北京郵電大學;2015年

4 賀其備;基于支持向量機的入侵檢測研究[D];東北師范大學;2013年

5 張來武;改進的BP神經網絡與D-S證據理論融合在入侵檢測系統(tǒng)中的應用[D];云南大學;2013年

本文編號：2891391