本文介绍了有监督学习异常检测系统和对网络流量访问控制的应用。监督异常检测是一种入侵检测系统,能够根据数据标签的先验知识对不同的流量进行分类并检测异常行为。访问控制旨在根据用户特权和行为来规范对敏感信息的访问。有监督监督学习异常检测的一个主要问题是检测方法在准确性和误报率方面的性能无法预测。本文利用机器学习算法对网络流量进行分析,并将其分为正常或异常流量。此外,我们通过结合异常入侵检测系统和访问控制评估工具,研究提高准确率和降低误报率的可行性。为了达到我们的目的并克服这些问题,我们提出了一种异常检测和访问控制相结合的方法。在本文中,将逐步介绍我们提出的方法、实验和结果。该方法包括数据提取、异常检测和警报验证三个步骤。在每一步中,我们都会使用适当的工具来进行实验和验证。数据提取的目的是捕获网络流量并选择特征。我们选择使用Wireshark作为特征获取器和数据包分析器。通过对采集数据的分析,我们可以选择特征并提取数据集。异常检测步骤执行异常检测算法来检测异常实例,且利用MATLAB接口工具来进行异常检测。本论文通过在MATLAB接口中建立基于机器学习算法的有效入侵检测系统(IDS)模型,并通过数据提取、异常检测和警报验证来使用访问控制系统,主要集中在异常流量识别上。该模型将用于有监督学习过程中对正常流量和异常流量进行分类,并提供实例来说明如何减少误报的同时授予用户访问权限。目前已存在大量的工作来识别网络运动中的异常流量。异常流量的识别在计算应用中是非常重要的研究方向。此类算法可以识别早期异常,因为可以大大降低对系统的危害。本研究主要通过分析通信中异常流量的特点、特征和属性,研究基于监督机器学习算法的异常流量识别方法。实验工作将分为如下两部分:第一部分:实验中使用MATLAB作为验证机器学习算法的平台,我们将分析和比较三种机器学习算法:SVM、K-NN和RF。实验表明这些算法能有效识别异常行为,并减少构成大部分流量活动的假警报。在此过程中分别使用每个单独的模型,他们的模型的性能由信用卡客户数据集评估。实验结果表明,与K-NNN和RF相比,SVM具有较高的识别能力。由于SVM算法的准确率较高,因此以SVM算法为核心,说明其在识别过程中的识别速度快、准确度高。该方案通过SVM、KNN、RF学习从识别精度、检测速度等方面对流量分类中的识别精度和检测速度进行了评估,证明该方案效果良好。第二部分:实验的这一部分介绍了一种使用深度学习模型的异常检测方,特别是前馈神经网络(FNN)模型和卷积神经网络(CNN)模型。通过使用流行的NSL-KDD数据集进行的几次实验评估了模型的性能。实验结果表明,FNN,CNN和SVM模型不仅具有强大的网络异常检测建模能力,而且具有很高的准确性。随机森林,K-NN和SVM等几种传统的机器学习方法相比,所提出的模型具有较高的准确性和检测率,且误报率较低。深度学习模型可以有效地提高检测准确性和识别异常类型。实验中利用ROC曲线对异常检测算法的性能进行了分析,并给出了相应的评价指标。警报验证步骤是针对访问控制策略和请求的异常实例的验证过程。策略和请求在XACML中定义,并使用SAFAX工具进行评估。为了证明所本方法的有效性,我们使用了针对消费者,客户,组织的案例研究,该案例研究涉及多个国家网络流量中有关直接和间接攻击和虚假警报的情况。UCI网络所持有的流量调查的不同组成部分之间的通信,其中网络流量的数据已被采集。本文的研究成果是根据我们的研究案例,开发了一个能够成功识别、评估和验证特定网络内用户的后验访问控制系统。该系统能够有效结合监督异常检测和访问控制的优点。首先,总体框架对各个模块的工作流程进行了详细的说明,并给出了利用三种不同的算法和参数识别异常流量的实验工作。其次,详细介绍了各个模块的代码实现方法。在最后一部分,我们对系统进行了评估。首先,简单介绍评价标准,然后,利用支持向量机、KNN、RF等算法实现了对整个系统中异常流量的识别和预测。实验表明,SVM和KNN在任何网络环境下都能以82.45%和80.75%的准确率出色地完成小型局域网的异常流量识别任务,在MATLAB界面中,与其他两种方法相比,RF的下降幅度低至65.55%,表明其在有效识别异常流量方面的不足。这为基于深度学习模型的异常检测方法的研究提供了更好的依据,特别是前馈神经网络(FNN)模型和卷积神经网络(CNN)模型的研究有待改进。实验中选用了NSL-KDD数据集,通过几个实验对模型的性能进行了评估。实验结果表明,FNN、CNN和SVM模型不仅具有较强的网络异常检测建模能力,而且具有较高的准确率。随机森林、K-NN、SVM等传统机器学习方法相比,该模型具有较高的准确率和检测率,且误报率较低。深度学习模型能够有效地提高检测精度和异常类型识别能力。本文实验中以KDDTrain+作为训练集,KDDTest+和KDDTes t-21作为测试集。实验结果表明,与其他机器学习方法相比,网络异常检测模型与SVM的准确率分别为80.34%和77.80%。本论文包含47张图,30个表和参考文献124篇。