论文部分内容阅读
互联网带给人们方便的同时,计算机网络安全也成为了一个备受关注的重要问题,已有的安全防护系统多是静态被动地进行攻击过滤,而入侵检测系统能够动态主动的进行安全检测,弥补了传统的安全防护方法的不足。入侵检测的检测识别分类方法是入侵检测系统最重要的部分,研究如何高效解决海量复杂的入侵检测数据的识别分类问题在入侵检测领域至关重要。深度学习采用多层的网络结构,具有超强的表达能力,面对海量复杂的入侵检测数据能够自动的提取特征,将低维冗余的特征经过层层映射,成为高度抽象的重要特征。但是现有的深度学习方法本身还存在很多待解决的问题,如训练时间过长、网络结构难以确定等。本文以通过深度学习提高入侵检测的精确度、算法执行效率两个主要问题为出发点,主要研究工作如下:首先,本文研究了极限学习机(Extreme Learning Machine,ELM)作为深度信念网络(Deep Belief Network,DBN)分类器的可行性与意义,进而提出了深度学习混合模型DBN-ELM(Deep Belief Network-Extreme Learning Machine)。DBN-ELM先用DBN对海量复杂的原始数据进行特征提取得到高度抽象的重要特征,再用ELM完成最终的分类工作。结合了DBN自动提取特征的能力和ELM快速学习且泛化性好的优势,提高了入侵检测识别精确率和算法运行效率。并且针对DBN-ELM网络层数难以确定的问题,采用了根据不同网络层输出的互相关系数的变化确定网络层数。实验表明DBN-ELM的性能明显优于传统的方法。再次,本文研究了在DBN-ELM的基础上,使用模糊积分融合多分类器的方法进行优化以进一步提高入侵检测识别精确率的可行性与意义。不同类型的分类器以及同种类型但结构参数不同的分类器,在分类的时候具有不同的偏向性,使用模糊积分能够将多种分类器进行融合,消除分类器之间的冗余和矛盾,充分利用分类器之间的互补性。并且针对模糊测度难以确定的问题,采用了动态模糊测度的思想,使用神经网络学习模糊测度。实验表明该方法进一步提高了入侵检测识别精确度。