为了进一步提高网络异常检测的准确率, 本文在对现有入侵检测模型分析的基础上, 提出了一种基于卷积神经网络和支持向量机的网络报文入侵检测方法. 该方法首先将数据预处理成二维矩阵, 为了防止算法模型过拟合, 利用permutation函数将数据随机打乱, 然后利用卷积神经网络CNN从预处理后的数据中学习有效特征, 最后通过支持向量机SVM分类器将得到的向量进行分类处理. 在数据集选择上, 采用网络入侵检测常用的权威数据集—京都大学蜜罐系统数据集, 通过与GRU-Softmax、GRU-SVM等现有检测率较高的模型进行实验对比, 该模型在准确率上最高分别提高了19.39% 和12.83%, 进一步提升了网络异常检测的准确度. 同时, 本研究所提出方法在训练速度和测试速度上有较大提高.

信息安全入侵检测技术

人工智能-机器学习-弹性函数构造与智能入侵检测方法研究.pdf

人工智能-机器学习-成都市电信公司基于移动代理的入侵检测系统的设计和实现.pdf

针对目前入侵检测遇到的一些新问题提出了一些改进方案，主要包括对整个系统的体系结构设计，蜜罐与陷阱子系统设计，入侵检测系统与动态防火墙相协同的框架模型设计，利用双网卡技术和备份监控代理方式提供对入侵检测系统自身的有效安全防护等。

安全技术-网络信息-支持向量机算法及其在网络入侵检测中的应用.pdf

基于分布式学习的大规模网络入侵检测算法

基于无监督聚类的入侵检测方法

安全技术-网络信息-移动AdHoc网络入侵检测与安全路由关键技术研究.pdf

安全技术-网络信息-移动AdHoc网络入侵检测与响.pdf