基于神经网络的多源数据攻击检测研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究意义 | 第12-13页 |
| 1.4 主要工作 | 第13页 |
| 1.5 论文结构安排 | 第13-15页 |
| 第二章 网络攻击与神经网络 | 第15-34页 |
| 2.1 网络攻击 | 第15-16页 |
| 2.1.1 产生原因 | 第15-16页 |
| 2.1.2 网络攻击分类 | 第16页 |
| 2.2 网络攻击检测 | 第16-20页 |
| 2.2.1 网络攻击检测技术分类 | 第17-18页 |
| 2.2.2 网络攻击检测所面临的挑战 | 第18-19页 |
| 2.2.3 网络攻击检测的发展方向 | 第19-20页 |
| 2.3 神经网络 | 第20-27页 |
| 2.3.1 神经网络 | 第20-23页 |
| 2.3.2 神经网络的训练 | 第23-26页 |
| 2.3.3 神经网络的优缺点 | 第26-27页 |
| 2.4 深度神经网络 | 第27-33页 |
| 2.4.1 卷积神经网络 | 第28-30页 |
| 2.4.2 递归神经网络 | 第30-31页 |
| 2.4.3 长短记忆模型 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 神经网络攻击检测方法研究与实验 | 第34-53页 |
| 3.1 基于神经网络的攻击检测基本框架 | 第34-39页 |
| 3.1.1 基本框架 | 第34-35页 |
| 3.1.2 数据采集 | 第35页 |
| 3.1.3 数据预处理 | 第35-38页 |
| 3.1.4 网络搭建与训练 | 第38-39页 |
| 3.2 基于神经网络的网络攻击检测 | 第39-44页 |
| 3.2.1 基本框架 | 第40页 |
| 3.2.2 实验 | 第40-44页 |
| 3.3 基于卷积神经的网络攻击检测 | 第44-48页 |
| 3.3.1 CNN攻击识别基本框架 | 第44页 |
| 3.3.2 实验 | 第44-48页 |
| 3.4 基于循环神经的网络攻击检测 | 第48-52页 |
| 3.4.1 RNN攻击识别基本框架 | 第48页 |
| 3.4.2 实验 | 第48-52页 |
| 3.5 对比分析 | 第52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 基于LSTM与DNN的多源数据攻击检测 | 第53-61页 |
| 4.1 多源数据攻击检测存在的问题 | 第53-55页 |
| 4.2 批归一化 | 第55-56页 |
| 4.3 基于LSTM与DNN的多源数据检测模型 | 第56-58页 |
| 4.4 基于ResNet的深层神经网络 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 实验分析 | 第61-74页 |
| 5.1 NSL-KDD数据集 | 第61-64页 |
| 5.1.1 NSL-KDD相较于KDD的优点 | 第61-62页 |
| 5.1.2 NSL-KDD数据集组成 | 第62-63页 |
| 5.1.3 NSL-KDD数据记录组成 | 第63-64页 |
| 5.2 评价标准 | 第64-65页 |
| 5.3 攻击数据预处理 | 第65-67页 |
| 5.3.1 数值化 | 第65-66页 |
| 5.3.2 标准化 | 第66-67页 |
| 5.3.3 验证集与测试集划分 | 第67页 |
| 5.3.4 数据分组 | 第67页 |
| 5.4 实验对比 | 第67-73页 |
| 5.4.1 实验环境 | 第67-68页 |
| 5.4.2 实验相关模型参数 | 第68-69页 |
| 5.4.3 多分类实验 | 第69-71页 |
| 5.4.4 二分类实验 | 第71-72页 |
| 5.4.5 单维数据预测与多维数据预测 | 第72-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 全文工作总结 | 第74-76页 |
| 6.1 工作总结 | 第74页 |
| 6.2 进一步研究工作 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士期间取得成果 | 第80页 |
