导读:本文包含了入侵检测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卷积,神经网络,算子,网络,自适应,深度,向量。
入侵检测论文文献综述
刘宏彬,刘思佳[1]（2019）在《基于特征向量的微服务架构中的入侵检测算法》一文中研究指出微服务是云计算环境下的新型软件架构,缺乏对其入侵的有效检测,通过收集应用系统的功能及权限等属性特征,形成反应微服务架构下应用的特征向量集合,然后对特征向量进行分析来检测应用中的入侵或者故障,以消除系统大安全隐患,实验结果表明,提出的方法可以有效地检测出微服务应用中的入侵和故障。(本文来源于《计算机与数字工程》期刊2019年12期）
龚安,牛博,史海涛[2]（2019）在《基于分块的帧差法和混合高斯算法的油田作业区入侵检测》一文中研究指出针对实时监测油田远摄作业区非法入侵的问题,提出一种图象规则分块结合叁帧差法和自适应更新背景的混合高斯模型算法。首先图象规则分块;然后相邻帧子块叁帧差法提取子块的入侵目标粗轮廓,根据设定的阈值结果和帧差子块后的结果进行比较,判断入侵目标块和背景块;最后对入侵目标子块采用自适应更新的混合高斯模型背景差分的算法,使得子块的帧差结果和背景差分的结果进行逻辑"与"运算,得到最终的入侵目标。通过对油田远摄作业区的视频系列检测,实验表明:论文算法较好地适应油田远摄作业区,能够完整地提取入侵目标,满足实际需求,并且具有较好地实时性和鲁棒性。(本文来源于《计算机与数字工程》期刊2019年12期）
杨彦荣,宋荣杰,胡国强[3]（2019）在《基于CNN-ELM的入侵检测》一文中研究指出针对现有网络入侵检测方法在处理高维度、非线性的海量数据时检测效率低和准确率低的问题,提出一种基于卷积神经网络(CNN)和极限学习机(ELM)的组合式入侵检测方法 (CNN-ELM)。通过数值化映射、归一化及维度重组对原始网络数据进行预处理,利用CNN网络自动提取原始网络数据的深层特征,将ELM作为分类器对提取到的特征进行入侵检测分类。采用NSL-KDD数据集对CNN-ELM进行仿真实验,实验结果表明,与SVM、CNN及ELM方法相比,CNN-ELM能有效提高入侵检测的准确率,具有较好的泛化能力和实时性。(本文来源于《计算机工程与设计》期刊2019年12期）
刘明峰,郭顺森,韩然,侯路,吴珺[4]（2019）在《基于深度学习的Wi-Fi网络入侵检测方法》一文中研究指出提出一种基于深度信念网络(DBN)的Wi-Fi网络入侵检测模型。使用SMOTE算法对数据样本中的异常数据和正常数据进行数量平衡,使用降噪自编码网络(DAE)对平衡后的数据进行降维,消除无关或冗余特征降低检测建模规模。在AWID数据集上进行实验,实验结果表明,与其它基于浅层学习算法的检测方法相比,所提方法可有效精简数据特征,降低检测时间,在检测精度和误报率方面体现出了更优性能。(本文来源于《计算机工程与设计》期刊2019年12期）
毛臣,谢铠宇,高镭[5]（2019）在《一种基于半监督学习的物联网入侵检测系统》一文中研究指出针对目前大多数物联网入侵检测系统误报率高、响应不及时、无法自主调查攻击行为的不足,提出了用半监督学习作为入侵检测的检测方法。同时,在Fuzzy C-means(FCM)算法的基础上提出了Random Fuzzy C-means (RFCM)算法的框架与实现。首先通过随机森林得到初始化的模型;然后,通过指定两个置信度参数,每轮得到分类结果置信度高的无标记样本;再将这些样本加入到原始有标记的样本集合里进行模型的二次训练,通过多轮迭代得到最终模型。实验表明,在NSL-KDD的入侵检测数据集里,模型具备良好的泛化性能。(本文来源于《信息技术与网络安全》期刊2019年12期）
韩锦锦,李文君,汪岐,杨宜吉,梁颖[6]（2019）在《BP神经网络在入侵检测中的优化和应用》一文中研究指出网络应用的广泛普及,网络安全问题也越来越被关注。在众多的防御技术中,主动防御技术,受到越来越多的关注。其中基于神经网络的入侵检测技术是目前网络安全领域的研究热点。神经网络需事先确定输入输出之间映射关系,通过自身的训练,学习某种规则,在给定输入值时得到最接近期望的结果。在大多数的应用中,较多的是基于BP网络或者其变化形式。基于这样的背景之下,我们的实验基于BP神经网络建立了入侵检测模型。经过分析和测试,建立了适合本实验的叁层BP网络结构,选用了不同的学习函数并增加了动量学习因子项来进行改进。仿真实验发现改进后的BP算法的网络运行时间相对较短,网络的均方误差较小,检测率较高,效果好。(本文来源于《电子世界》期刊2019年22期）
王佳骏,林承勋,陈瑾,李文轩[7]（2019）在《基于强化学习的通信网络入侵自适应检测方法》一文中研究指出通信网络入侵检测是网络信息安全领域研究的重点。传统的通信网络入侵检测方法属于固定式检测,不能根据通信业务变化而自主升级,容易发生误判、漏判等问题。为此,提出了基于Q强化学习算法的通信网络入侵自适应监测方法。利用强化学习智能体与环境交互,不断更新智能体的特点,设计了自适应监测的方法。以该方法为核心,介绍了入侵检测系统设计,实际应用情况表明该方法较传统固定式检测方法具有更高的检测稳定性,对通信网络传输业务变化的适应性更强。(本文来源于《信息技术》期刊2019年11期）
刘玉标[8]（2019）在《计算机网络入侵检测中人工智能技术的应用》一文中研究指出人工智能网络入侵检测技术是计算机网络安全防御系统中主要模块,其直接影响了计算机网络安全防御效果。因此,本文以人工智能技术在计算机网络入侵检测中应用为入手点,分析了计算机入侵检测系统的技术,对人工智能技术在计算机网络入侵检测中的具体应用过程、案例与趋势进行探究。(本文来源于《科技风》期刊2019年32期）
姜明富[9]（2019）在《基于犹豫梯形模糊算法的入侵检测模型》一文中研究指出针对犹豫梯形模糊信息环境下的入侵检测模型选择问题,构建了一种基于犹豫梯形模糊决策算法的入侵检测模型选择方法。首先,考虑到决策信息为犹豫梯形模糊数且属性间存在相互的关联,基于犹豫梯形模糊数的运算法则,提出了犹豫梯形模糊Einstein加权平均(HTrFEWA)算子和犹豫梯形模糊Einstein加权几何(HTrFEWG)算子;其次,针对犹豫梯形模糊数的有序位置存在具有不同权重的情况,构建了犹豫梯形模糊Einstein有序加权平均(HTrFEOWA)算子和犹豫梯形模糊Einstein有序加权几何(HTrFEOWG)算子,并讨论了其相应的基本性质;最后建立了基于HTrFEWA算子和HTrFEWG算子的多属性决策方法,并通过入侵检测模型的选择实例说明提出的决策方法是合理和有效的。(本文来源于《控制工程》期刊2019年11期）
石乐义,朱红强,刘祎豪,刘佳[10]（2019）在《基于相关信息熵和CNN-BiLSTM的工业控制系统入侵检测》一文中研究指出入侵检测技术旨在有效地检测网络中异常的攻击,对网络安全至关重要.针对传统的入侵检测方法难以从工业控制系统通信数据中提取有效数据特征的问题,提出一种基于相关信息熵和CNN-BiLSTM的入侵检测模型,该模型将基于相关信息熵的特征选择和融合的深度学习算法相结合,因此能够有效去除噪声冗余,减少计算量,提高检测精度.首先针对不平衡样本等问题进行相应预处理,并通过基于相关信息熵的算法进行特征选择,达到去除噪声数据和冗余特征的目的;然后分别运用卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)从时间和空间维度提取数据特征,通过多头注意力机制进行特征融合,进而得出最终检测结果;最后通过单一变量原则和交叉验证方式获得最优的模型.通过与其他传统入侵检测方法实验对比得出:该模型具有更高的准确率(99.21%)和较低的漏报率(0.77%).(本文来源于《计算机研究与发展》期刊2019年11期）
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：
针对实时监测油田远摄作业区非法入侵的问题,提出一种图象规则分块结合叁帧差法和自适应更新背景的混合高斯模型算法。首先图象规则分块;然后相邻帧子块叁帧差法提取子块的入侵目标粗轮廓,根据设定的阈值结果和帧差子块后的结果进行比较,判断入侵目标块和背景块;最后对入侵目标子块采用自适应更新的混合高斯模型背景差分的算法,使得子块的帧差结果和背景差分的结果进行逻辑"与"运算,得到最终的入侵目标。通过对油田远摄作业区的视频系列检测,实验表明:论文算法较好地适应油田远摄作业区,能够完整地提取入侵目标,满足实际需求,并且具有较好地实时性和鲁棒性。
（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。
入侵检测论文参考文献
[1].刘宏彬,刘思佳.基于特征向量的微服务架构中的入侵检测算法[J].计算机与数字工程.2019
[2].龚安,牛博,史海涛.基于分块的帧差法和混合高斯算法的油田作业区入侵检测[J].计算机与数字工程.2019
[3].杨彦荣,宋荣杰,胡国强.基于CNN-ELM的入侵检测[J].计算机工程与设计.2019
[4].刘明峰,郭顺森,韩然,侯路,吴珺.基于深度学习的Wi-Fi网络入侵检测方法[J].计算机工程与设计.2019
[5].毛臣,谢铠宇,高镭.一种基于半监督学习的物联网入侵检测系统[J].信息技术与网络安全.2019
[6].韩锦锦,李文君,汪岐,杨宜吉,梁颖.BP神经网络在入侵检测中的优化和应用[J].电子世界.2019
[7].王佳骏,林承勋,陈瑾,李文轩.基于强化学习的通信网络入侵自适应检测方法[J].信息技术.2019
[8].刘玉标.计算机网络入侵检测中人工智能技术的应用[J].科技风.2019
[9].姜明富.基于犹豫梯形模糊算法的入侵检测模型[J].控制工程.2019
[10].石乐义,朱红强,刘祎豪,刘佳.基于相关信息熵和CNN-BiLSTM的工业控制系统入侵检测[J].计算机研究与发展.2019
论文知识图
