基于深度学习的路由器入侵检测技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 选题背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 路由器安全性相关研究现状 | 第14-15页 |
| 1.2.2 入侵检测系统相关研究现状 | 第15-18页 |
| 1.2.3 基于机器学习的入侵检测研究现状 | 第18-19页 |
| 1.3 研究内容与主要成果 | 第19-21页 |
| 1.4 论文的组织结构 | 第21-23页 |
| 第二章 路由器入侵检测模型构建 | 第23-39页 |
| 2.1 针对路由器的攻击分类 | 第23-35页 |
| 2.1.1 网络扫描攻击 | 第23-25页 |
| 2.1.2 对路由器管理协议的攻击 | 第25-28页 |
| 2.1.3 欺骗攻击 | 第28-30页 |
| 2.1.4 对路由协议的攻击 | 第30-33页 |
| 2.1.5 拒绝服务攻击 | 第33-35页 |
| 2.2 路由器入侵检测模型 | 第35-37页 |
| 2.2.1 数据包处理模块 | 第36页 |
| 2.2.2 入侵检测模块 | 第36-37页 |
| 2.2.3 响应模块 | 第37页 |
| 2.3 本章小结 | 第37-39页 |
| 第三章 基于CNN的数据包载荷特征检测方法 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 相关工作 | 第39-40页 |
| 3.3 卷积神经网络载荷特征检测模型 | 第40-44页 |
| 3.3.1 卷积神经网络 | 第40-42页 |
| 3.3.2 数据集 | 第42-43页 |
| 3.3.3 建立模型 | 第43-44页 |
| 3.4 实验 | 第44-47页 |
| 3.4.1 实验环境 | 第44-45页 |
| 3.4.2 评估结果 | 第45-46页 |
| 3.4.3 现有研究对比 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于EDLSTM的会话流状态特征检测方法 | 第49-59页 |
| 4.1 引言 | 第49页 |
| 4.2 路由协议检测 | 第49-50页 |
| 4.3 长短时记忆循环神经网络模型 | 第50-55页 |
| 4.3.1 循环神经网络 | 第51-52页 |
| 4.3.2 长短时记忆架构 | 第52-53页 |
| 4.3.3 建立模型 | 第53-54页 |
| 4.3.4 数据集 | 第54-55页 |
| 4.4 实验 | 第55-57页 |
| 4.4.1 实验环境 | 第55页 |
| 4.4.2 评估指标 | 第55页 |
| 4.4.3 评估结果 | 第55-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 基于CNN-LSTM的路由器入侵检测方法 | 第59-67页 |
| 5.1 引言 | 第59页 |
| 5.2 CNN-LSTM入侵检测模型 | 第59-62页 |
| 5.2.1 模型概述 | 第59-61页 |
| 5.2.2 CNN载荷特征处理模块 | 第61页 |
| 5.2.3 LSTM会话流状态特征处理模块 | 第61-62页 |
| 5.3 实验测试结果与分析 | 第62-66页 |
| 5.3.1 实验环境 | 第62页 |
| 5.3.2 评估指标 | 第62-63页 |
| 5.3.3 模型超参数设置 | 第63页 |
| 5.3.4 数据集 | 第63-64页 |
| 5.3.5 建立训练模型 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-71页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 下一步工作 | 第68-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 作者简历 | 第79页 |
