基于卷积神经网络与跳跃连接的网络入侵检测系统.pdf

基于卷积神经网络与跳跃连接的网络入侵检测系统.pdf 本文提出了一种新颖的基于卷积神经网络的网络入侵检测系统，该系统能够自动化地提取复杂高维的特征，并且引入跳跃链接克服神经网络训练的过拟合问题，从而实现高准确率的入侵检测。 知识点1: 网络入侵检测系统的重要性 网络入侵检测系统（NIDS）在保护计算机网络中扮演着至关重要的角色。现有的方法不能持续性地检测新型攻击行为，因此需要新的方法来改进入侵检测的准确率。 知识点2: 传统入侵检测方法的缺陷 传统上，入侵检测技术使用基于规则的方法，该类方法通常将恶意程序的签名或恶意行为的描述作为规则。但是，这种方法不具有实时性，无法检测新的未知攻击。基于异常的入侵检测方法可以检测出正常的程序和网络行为的特征，但是该方法的优缺点主要取决于特征提取，且手工设计特征提取是繁琐的。 知识点3: 基于卷积神经网络的入侵检测模型 本文提出的一种新颖的基于卷积神经网络的入侵检测模型，该模型能够自动化地提取复杂高维的特征，并且引入跳跃链接克服神经网络训练的过拟合问题，从而实现高准确率的入侵检测。 知识点4: 卷积神经网络在入侵检测中的应用 卷积神经网络可以自动化地提取特征，克服了对相关领域专家手工设计数据特征的依赖性，并且可以检测出微小的突变甚至是新近发展的攻击。 知识点5: 跳跃链接的作用 跳跃链接可以克服神经网络训练的过拟合问题，从而提高入侵检测的准确率。 知识点6: 图像格式的网络入侵检测数据 本文创新地将网络入侵检测数据重塑为图像格式，使得数据更加适用于卷积神经网络的特征提取。 知识点7: 相关工作 Anderson 在 1980 年提出入侵检测技术概念后，该技术一直是网络安全领域研究的重点。机器学习方法可以提高入侵检测的准确率，保持模型的更新可以通过不断地机器学习训练，从而实现模型对不同网络环境的适应。 知识点8: 其他入侵检测方法 Li 和 Guo 利用改进的 K 最近邻算法（TCM-KNN）来训练，该方法可以用在少量数据的情况下进行有效的网络入侵数据检测。Xian 和 Tang 等人使用了基于支持向量机（SVM）的入侵检测技术，在提供较少的先验知识的情况下实现了较高的准确性。Tsai 和 Lin 结合了 k 均值和 KNN 机器学习算法来进行入侵检测。Stein 等人提出了改进的基于决策树的网络入侵检测模型。