导读:本文包含了实时入侵检测论文开题报告文献综述及选题提纲参考文献，主要关键词:特征选择算法,网络入侵,实时检测系统
实时入侵检测论文文献综述
邓兴华[1]（2019）在《基于特征选择算法的网络实时入侵检测系统研究》一文中研究指出为了保障网络系统的安全与稳定,需要进行网络入侵检测模型研究,目前具有代表性的检测系统是基于遗传算法找出网络入侵的特征子集,但该系统检测准确性较低且训练时间过长。为此,本文将特征选择算法应用到网络实时入侵检测系统中,提出了一种基于特征选择的实时入侵检测方法。通过搭建非法入侵检测实验平台将该方法与基于遗传算法的网络入侵检测方法做比较,实验结果表明,该方法在检测攻击的准确率方面优于另一入侵检测系统,并且所需检测时间也短于另一检测系统。(本文来源于《现代信息科技》期刊2019年20期）
王玮,朱力强[2]（2019）在《基于特征图裁剪的高铁周界入侵实时检测算法》一文中研究指出为解决高速铁路周界入侵高可靠度检测的难题,研究基于深度学习的异物入侵实时检测算法。针对深度卷积神经网络存在内存占用量大和检测耗时长的问题,提出以特征图L1范数为准则的递归裁剪算法,逐步降低模型计算量及储存空间,同时将检测准确率保持在较高水平。在基于ImageNet数据库和铁路场景数据库的测试中,该算法可以将VGG16模型压缩约660倍并加速计算4.4倍,而损失的检测准确率分别只有1.2%和0.25%。研究结果表明,基于特征图L1范数的裁剪准则普遍适用于任何具有卷积运算的神经网络结构中,性能优于现有基于卷积核L1范数的裁剪准则。(本文来源于《铁道学报》期刊2019年09期）
张建珍[3]（2019）在《云计算下海上通信网络异类入侵数据实时检测系统设计》一文中研究指出为解决目前广泛使用的通信网络异类入侵数据实时检测系统应用船舶海上通信监测时,存在检测精度较低的不足,提出了云计算下海上通信网络异类入侵数据实时检测系统设计。基于系统架构设计,以及异常数据采集与检测模块设计,实现实时监测系统的硬件设计,依托软件设计,完成了提出的云计算下海上通信网络异类入侵数据实时检测系统设计。试验数据表明,在海上通信环境下,提出的入侵检测系统较目前广泛采用的入侵检测系统检测精度提高37.73%,适合于船舶海上通信网络异类入侵数据实时检测。(本文来源于《舰船科学技术》期刊2019年16期）
张晓珲[4]（2019）在《舰船监控网络入侵的实时检测研究》一文中研究指出传统舰船监控网络入侵检测方法实时性差,无法及时发现舰船监控网络中的入侵行为。为了满足舰船监控网络入侵检测的实时性,加快舰船监控网络入侵检测速度,提出一种舰船监控网络入侵的实时检测方法。首先提取舰船监控网络入侵行为特征,然后引入特征降维算法对舰船监控网络入侵行为进行处理,使得舰船监控网络入侵行为特征数量变少,最后引入支持向量机对舰船监控网络入侵行为进行分类和检测,并通过实例分析本文方法的有效性。结果表明,本文方法能够有效防止出现"维数灾"现象,具有较好的舰船监控网络入侵检测实时性,提高入侵检测的准确性,能够有效保证舰船监控网络安全。(本文来源于《舰船科学技术》期刊2019年14期）
朱平哲[5]（2019）在《基于深度学习的实时网络入侵检测方法》一文中研究指出网络安全问题日益严重,能够快速、有效地发现各类入侵行为的入侵检测技术成为当前的研究热点。本文汲取机器学习的性能优势,提出了一种基于深度学习的实时网络入侵检测方法,通过对带有入侵数据的大量训练样本的学习,构建用于区分正常状态和入侵状态的入侵检测模型。为了测试和评估该方法的性能,将其与随机森林、Logistic回归和贝叶斯等其他机器学习模型进行比较。实验结果表明,基于H2O深度学习多项式模型的性能均优于其他机器学习模型,可良好应用于实时网络入侵检测。(本文来源于《安阳工学院学报》期刊2019年04期）
尚永强,岳宝华[6]（2019）在《光纤传感网络入侵痕迹信息实时检测系统设计》一文中研究指出针对传统的光纤传感网络入侵痕迹信息检测系统存在的检测准确性低、误检率高、检测时间较长的问题,提出一种基于数据挖掘的光纤网络入侵痕迹信息检测系统,首先对检测系统进行提取和分析,寻找解决入侵痕迹信息的有效方法,对检测到的光纤传感网络入侵痕迹信息进行警告,将系统分为正常和异常两类问题;其次,构建基于数据挖掘的光纤传感网络入侵痕迹信息检测系统,将数据挖掘方法输入到光纤网络系统分类分析模块中,在输入数据挖掘后的检测系统中结合入侵检测引擎以及关联分析器检测光纤传感网络入侵痕迹信息。仿真实验结果表明,所提检测系统较传统检测系统检测准确率更高,误检率更低,检测效率较高。(本文来源于《激光杂志》期刊2019年06期）
靳亚洽[7]（2019）在《基于机器学习的DDoS实时网络入侵检测系统关键技术的研究》一文中研究指出随着计算机技术的快速发展,尤其是云计算与大数据、人工智能时代的来临,分布式拒绝服务(Distributed Denial of Service,DDoS)攻击已经成为网络空间安全领域最具威胁的因素之一。同时,伴随着工业物联网的兴起,越来越庞大的僵尸网络使得DDoS攻击的危害性越来越大,因此DDoS攻击检测始终是网络安全领域的研究重点。尽管前人已经提出了诸多方法,然而随着技术的不断发展和业务场景的变化,很多针对DoS或者DDoS攻击的传统检测方法和防御手段已经过时。目前,针对DDoS攻击的检测,如何提高检测的效率和准确率,实现分布式检测和协同防御变得越来越重要。因此,本文利用机器学习与大数据分析等相关理论方法和技术,根据DDoS攻击流量的特点对网络流量中多维度的属性特征进行提取、分析,实现对互联网中大流量的DDoS攻击进行实时、高效、准确的检测。针对DDoS攻击检测的需求,本文提出一种针对DDoS攻击流量的集成学习分布式检测框架(Ensemble Learning Distributed Detection Framework,ELDDF)。该框架采用分布式的流量采集存储技术,实时的数据清洗技术以及基于集成学习的攻击检测方法,能够满足DDoS攻击检测的实时性、准确性等需求。在提出的ELDDF上,木文结合当前比较流行的大数据框架,构建了基于大数据的DDoS攻击检测系统。检测系统使用Gopacket、Libpcap等工具构建分布式流量采集传感器对流量进行实时采集,使用Spark Streaming构建实时流量特征提取模块,根据TCP/IP网络编程模型和DDoS攻击流量的特点对采集的数据包进行多维度的特征提取,同时基于Spark构建DDoS攻击检测模型并实现分布式随机森林检测算法,能够满足大数据的网络流量的实时检测。(本文来源于《华南理工大学》期刊2019-04-13）
伏煦[8]（2018）在《基于大数据和深度学习的实时入侵检测关键技术研究》一文中研究指出企业中信息安全很重要,在现代网络信息化大潮下,尤其是其中的入侵检测面临巨大挑战。大数据和人工智能等技术的兴起,一方面有助于信息安全的加固,相反也给信息安全带来非常大的挑战,因为黑客们也可以利用该技术来加强其进攻能力。传统的做法,无论是检测病毒,防范入侵,还是其他类型的攻击,本质上用的是特征标识的方法,把各种各样的发生的入侵的特征集成一个特征库集,当信息进来以后,如果匹配了这个特征库中的某个特征,就判断是入侵。依人工智能角度来看,基于特征标识的入侵检测是一个简单的专家系统,特征库构成知识库,首选通过人工的编程方法把特征写入知识库,然后对输入信息的特征进行匹配,匹配上了就算识别到了入侵。这个专家系统实现简单,但是没有推理能力,不能应对后续的新类型的入侵。现在基于大数据海量特征结合自然语言处理、深度学习等技术,提供了一种解决入侵检测的新思路。本文的主要工作及成果如下:1.提出了基于实时数据计算引擎Spark Streaming的海量日志收集方法:本方法利用改造后的Flume做为日志采集的Agent实现实时海量日志的采集,可根据操作系统提供的资源占用情况做自适应、动态调整采集速度,在保证应用系统正常工作的同时兼顾日志采集的实时性和高效性。使用Spark Streaming作为实时计算引擎,从海量数据中快速提取入侵相关的特征数据,结合调度和管理工具实现稳定的第一手日志的收集和处理,为后面的数据处理做好准备。2.提出了一种基于词向量模型的高阶特征提取方法:本方法选取知名的Word2Vec算法,利用收集到的海量数据作为训练预料,采用短期增量训练,长期全量训练,达到提取入侵检测的词向量模型的目的,该词向量在经过大量训练收敛以后可以将文本转化成词向量,从而为下一步处理做好准备。3.研发了基于深度学习与文本处理结合的入侵检测模型:将标记好的历史数据作为训练集,使用基于NLP(自然语言处理)的文本处理技术,对文本数据做泛化预处理、分词、嵌入式词向量(Word2vec)模型;最后使用Tensor Flow建立循环神经网络进行训练生成入侵检测模型。本文以工程化的设计思路,从需求分析、算法实现、算法优化,算法集成、前台软件设计、后台软件设计、前后台集成等介绍技术的实现过程。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2018-12-01）
王钧玉[9]（2018）在《基于数据流的网络入侵实时检测框架》一文中研究指出基于互联网的开放性与实时性,网络访问不仅具有实时到达的特点,同时方位过程也是一个动态的变化过程。这种情况下,为了实现对网络访问或入侵的实时检测,同时对网络方位过程中数据的动态变化情况进行适应,必须设计出一个以数据流作为基础的网络入侵实时检测框架。基于此,本文从网络入侵的检测机制与建立知识库这两方面入手,对网络入侵实时检测框架与算法进行了分析,并对该框架的功能进行了实验研究,最后分析了实验结果并得出结论。本文研究旨在基于数据流基础,进一步丰富网络入侵实时检测框架的功能,提高其检测的准确性,保证高召回率与低误报率,进而更好的满足检测需求。(本文来源于《湖南工业职业技术学院学报》期刊2018年03期）
王欣颖[10]（2018）在《基于Spark的网络入侵实时检测算法研究》一文中研究指出现代互联网的高速发展,使得网络中产生规模巨大的网络数据,各种隐私信息也掺杂其中。针对网络系统的攻击从未断绝,攻击手法繁复多样,且攻击范围日渐扩大。网络入侵是现今异常入侵类型中最为普遍的一种入侵方式。计算机网络本身存在一些漏洞,再加之操作系统在早期忽略了安全问题,过于注重功能等原因,导致人们在使用网络时也不可避免的受到网络异常入侵的威胁。作为一种动态的网络安防手段,入侵检测技术因此应运而生,与静态安防技术相辅相成,共同构成网络安全防线。入侵检测对计算机内部未经授权的举动或是外部的入侵行为进行监控和检测,并及时响应。目前针对网络入侵的检测技术已经有所发展,但在面临新的网络环境,即分析处理海量、高速的网络数据时,难以实现网络入侵实时检测并作出有效的应对措施,这将大大降低入侵检测的质量及速度。本文基于网络在大数据系统运营的前提与入侵检测技术智能化的发展趋势,提出了一种基于Spark的网络入侵实时检测模型NRIDS。该模型以Spark Streaming流处理模块来实时地接收、处理和返回由Kafka收集到的数据,并且利用Spark的机器学习模块在线训练网络入侵检测模型,从而实现网络入侵检测在面对海量网络数据时,能够实时、快速、可靠的检测出入侵攻击,并及时作出应对。本文的工作主要包括以下几个方面:(1)根据网络异常检测的部署模式和一般模型,结合通用的入侵检测模型以及分布式处理大量网络数据的需求,提出基于分布式计算平台Spark的网络入侵实时检测模型NRIDS模型。该模型利用Spark中的流处理模块和机器学习模块来共同完成大数据的实时检测任务。(2)优化了实时K-means聚类算法根据Spark中的机器学习模块中各个算法的适用场景,选择聚类算法来训练入侵检测模型,以实现检测未知攻击的需要。通过对标准的K-Means聚类算法和实时K-Means聚类算法的原理、缺陷和聚类评估标准的分析研究,对结合Spark与聚类分析的KMeans实时聚类算法进行了必要的研究和改进。并使用KMeans实时聚类算法作为NRIDS模型的检测模型训练算法,以实现对大规模网络数据的实时检测。(3)网络入侵实时监测模型的详细实现与测试根据NRIDS模型的技术架构职能和整体流程的划分,详细设计和实现该入侵检测模型的各个模块。最后使用KDD CUP 99数据集进行仿真测试,通过对聚类结果和测试结果的分析,对基于Spark的网络入侵实时检测算法的检测效果进行评估与验证。测试结果表明本文设计的基于Spark的网络入侵实时检测模型能够应对大规模网络数据的检测,实现检测的实时性。同时,对比未经优化的实时KMeans聚类算法和经过PSO最优算法优化的实时KMeans聚类算法的检测结果,算法的优化提高了检测的准确率。(本文来源于《成都理工大学》期刊2018-05-02）
实时入侵检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决高速铁路周界入侵高可靠度检测的难题,研究基于深度学习的异物入侵实时检测算法。针对深度卷积神经网络存在内存占用量大和检测耗时长的问题,提出以特征图L1范数为准则的递归裁剪算法,逐步降低模型计算量及储存空间,同时将检测准确率保持在较高水平。在基于ImageNet数据库和铁路场景数据库的测试中,该算法可以将VGG16模型压缩约660倍并加速计算4.4倍,而损失的检测准确率分别只有1.2%和0.25%。研究结果表明,基于特征图L1范数的裁剪准则普遍适用于任何具有卷积运算的神经网络结构中,性能优于现有基于卷积核L1范数的裁剪准则。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
实时入侵检测论文参考文献
[1].邓兴华.基于特征选择算法的网络实时入侵检测系统研究[J].现代信息科技.2019
[2].王玮,朱力强.基于特征图裁剪的高铁周界入侵实时检测算法[J].铁道学报.2019
[3].张建珍.云计算下海上通信网络异类入侵数据实时检测系统设计[J].舰船科学技术.2019
[4].张晓珲.舰船监控网络入侵的实时检测研究[J].舰船科学技术.2019
[5].朱平哲.基于深度学习的实时网络入侵检测方法[J].安阳工学院学报.2019
[6].尚永强,岳宝华.光纤传感网络入侵痕迹信息实时检测系统设计[J].激光杂志.2019
[7].靳亚洽.基于机器学习的DDoS实时网络入侵检测系统关键技术的研究[D].华南理工大学.2019
[8].伏煦.基于大数据和深度学习的实时入侵检测关键技术研究[D].中国科学院大学(中国科学院深圳先进技术研究院).2018
[9].王钧玉.基于数据流的网络入侵实时检测框架[J].湖南工业职业技术学院学报.2018
[10].王欣颖.基于Spark的网络入侵实时检测算法研究[D].成都理工大学.2018