融合网络攻击特征学习的入侵检测技术研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与研究意义 | 第8-9页 |
| 1.2 研究目标 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.4 论文工作的主要内容 | 第12-13页 |
| 1.5 论文的组织结构 | 第13-15页 |
| 第二章 相关技术的概述与分析 | 第15-31页 |
| 2.1 常见的网络攻击技术 | 第15-18页 |
| 2.1.1 攻击过程 | 第15-16页 |
| 2.1.2 常见的网络攻击综述 | 第16-18页 |
| 2.2 网络安全防御技术 | 第18-25页 |
| 2.3 机器学习技术在入侵检测中的应用 | 第25-28页 |
| 2.3.1 传统常用机器学习算法 | 第26-27页 |
| 2.3.2 深度学习常用算法 | 第27-28页 |
| 2.4 入侵检测中常用数据集的综述 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 攻击数据的采集及属性提取 | 第31-44页 |
| 3.1 蜜罐系统的基础体系架构 | 第31-32页 |
| 3.2 蜜罐系统的关键技术 | 第32-36页 |
| 3.2.1 数据引诱相关技术 | 第32-33页 |
| 3.2.2 数据捕获相关技术 | 第33-35页 |
| 3.2.3 数据分析和数据控制 | 第35页 |
| 3.2.4 IP重定向 | 第35-36页 |
| 3.3 数据的捕获和特征的提取 | 第36-43页 |
| 3.3.1 网络流量数据与攻击行为数据的获取 | 第36页 |
| 3.3.2 攻击行为数据与网络流量数据的对比 | 第36-38页 |
| 3.3.3 实验数据集的属性提取 | 第38-41页 |
| 3.3.4 数据集格式的转化 | 第41-42页 |
| 3.3.5 本实验数据集 | 第42-43页 |
| 3.4 本章总结 | 第43-44页 |
| 第四章 基于特征学习及识别的入侵检测模型研究 | 第44-56页 |
| 4.1 Tensorflow深度学习框架 | 第44-46页 |
| 4.2 基于CNN的入侵检测分类 | 第46-52页 |
| 4.2.1 引言 | 第46页 |
| 4.2.2 CNN模型关键技术的研究 | 第46-52页 |
| 4.3 NID NET网络的设计 | 第52-54页 |
| 4.4 入侵检测实验结果的判定依据 | 第54-55页 |
| 4.5 本章总结 | 第55-56页 |
| 第五章 系统的部署与仿真实验 | 第56-67页 |
| 5.1 实验部署软硬件环境 | 第56页 |
| 5.2 实验关键模块的实现 | 第56-62页 |
| 5.2.1 蜜网系统的实现 | 第56-58页 |
| 5.2.2 蜜网的防御设置 | 第58-60页 |
| 5.2.3 深度学习模型的实现 | 第60-62页 |
| 5.3 实验过程与结果 | 第62-66页 |
| 5.3.1 实验过程 | 第62-64页 |
| 5.3.2 实验结果 | 第64-66页 |
| 5.4 本章总结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
