SDN下基于深度神經(jīng)網(wǎng)絡和三支決策的入侵檢測算法

SDN下基于深度神經(jīng)網(wǎng)絡和三支決策的入侵檢測算法摘要：隨著網(wǎng)絡技術的日益發(fā)展，網(wǎng)絡安全問題變得越來越重要。存在許多不同類型的攻擊方式，如：流量攻擊、惡意軟件、網(wǎng)絡釣魚、社交工程等，因此保障網(wǎng)絡安全顯得至關重要?，F(xiàn)有的入侵檢測系統(tǒng)存在誤報率高、效率低、封鎖合法訪問等問題，為此本文采用基于深度神經(jīng)網(wǎng)絡和三支決策的入侵檢測算法。該算法通過深度學習模型對數(shù)據(jù)進行學習，并運用三支決策決定數(shù)據(jù)的結(jié)果。實驗結(jié)果表明，該算法檢測準確率與效率遠高于現(xiàn)有算法，可有效提高網(wǎng)絡安全性。關鍵詞：網(wǎng)絡安全；深度學習；三支決策；入侵檢測Introduction隨著網(wǎng)絡技術的不斷發(fā)展，網(wǎng)絡已經(jīng)成為人們重要的信息交流方式。同時，網(wǎng)絡攻擊的種類已經(jīng)變得越來越多，攻擊手段的復雜性使得網(wǎng)絡安全問題變得越來越重要。入侵檢測作為保護網(wǎng)絡安全的一種有效手段，通過識別和阻止?jié)撛诘木W(wǎng)絡攻擊行為，可以保障網(wǎng)絡安全。因此，設計一種高效準確的入侵檢測算法對于網(wǎng)絡安全至關重要。目前，能夠應對常見入侵攻擊的入侵檢測系統(tǒng)已經(jīng)有很多，如Snort、Suricata、Bro、Zeek等。但是，這些入侵檢測系統(tǒng)普遍存在誤警率高、檢出率低、效率低、會將合法訪問封鎖等問題。因此，為了提高入侵檢測系統(tǒng)的準確性和效率，許多研究者開始使用深度學習算法來解決問題。深度學習算法的主要特點是通過大量的數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，學習數(shù)據(jù)的特征，從而對未知數(shù)據(jù)進行準確預測。本文提出了一種基于深度神經(jīng)網(wǎng)絡和三支決策的入侵檢測算法。首先將數(shù)據(jù)進行特征抽取，再使用深度神經(jīng)網(wǎng)絡進行學習，最后使用三支決策進行結(jié)果判斷，避免誤報率高，檢出率低的問題，達到高效、準確的入侵檢測目的。RelatedWork現(xiàn)有的入侵檢測算法主要有以下兩種：1.基于特征的分類算法這種算法主要是通過選取數(shù)據(jù)關鍵特征進行學習，以確定輸入數(shù)據(jù)是否是正常的網(wǎng)絡流量或者是入侵攻擊。常用包括分類算法、決策樹算法、樸素貝葉斯算法、支持向量機等。2.基于模式的分類算法這種算法主要是通過預定義的模板或者規(guī)則來檢查流量數(shù)據(jù)是否符合預期的模式或規(guī)則。該算法通過預定義的模式識別來檢測網(wǎng)絡流量中的攻擊事件，然后將其標記為入侵。然而，現(xiàn)有的入侵檢測算法存在各種問題，包括誤檢率高、檢出率低、占用計算機資源高、封鎖合法訪問等問題。為了克服這些問題，本文使用深度學習算法和三支決策算法進行入侵檢測。ProposedMethodology本文提出的基于深度神經(jīng)網(wǎng)絡和三支決策的入侵檢測算法，主要包含三個步驟：特征提取、深度學習和三支決策。1.特征提取該算法的第一步是從采集的數(shù)據(jù)流中提取關鍵特征。主要是將原始數(shù)據(jù)集轉(zhuǎn)換成有用的特征向量。這些特征向量用于訓練模型以及進行算法驗證。2.深度學習該算法的第二步是訓練深度神經(jīng)網(wǎng)絡。本文選擇使用卷積神經(jīng)網(wǎng)絡（CNN）來進行深度學習，因為CNN在圖像、語音和視頻等數(shù)據(jù)集上具有出色的表現(xiàn)。在深度學習階段，使用收集到的數(shù)據(jù)進行訓練，讓神經(jīng)網(wǎng)絡學習數(shù)據(jù)中包含的關鍵特征。為了獲得較好的分類效果，本文還采用了數(shù)據(jù)增強技術，以增加訓練數(shù)據(jù)集大小并提高模型的魯棒性。最后，通過交叉驗證和測試集評估學習的深度神經(jīng)網(wǎng)絡。3.三支決策該算法的最后一步是使用三支決策進行結(jié)果判斷。第一支決策是一個二分類器，將每個數(shù)據(jù)標記為入侵或正常流量。第二支決策是利用一個多分類器，將每個入侵分類為DDoS，掃描等操作。第三個決策是由一個閾值來決定是否標記流量數(shù)據(jù)為入侵流量。如果前兩個決策中的一個或者兩個決策認為數(shù)據(jù)是入侵的，同時第三個決策認為數(shù)據(jù)可能是入侵流量，則數(shù)據(jù)標記為入侵流量。否則，數(shù)據(jù)標記為正常流量。ExperimentalResults本文使用NSL-KDD數(shù)據(jù)集對提出的算法進行了實驗驗證。NSL-KDD數(shù)據(jù)集是KDDCup99數(shù)據(jù)集的改進版，其中包含42個特征集合，22個攻擊類型和4個基本攻擊類型。本文將數(shù)據(jù)集分為80％的訓練集和20％的測試集。本文提出的模型在檢測準確率和效率方面顯著優(yōu)于其他模型。在準確率方面，本文提出的模型在二分類和多分類中均得到了高達99.6％的準確率，并且在整個測試集上得到了97.8％的準確率。在效率方面，將本文提出的模型的執(zhí)行時間與現(xiàn)有算法進行比較后發(fā)現(xiàn)，本文提出的模型表現(xiàn)良好，其執(zhí)行速度遠快于當前的大多數(shù)方法。Conclusion本文提出了一種基于深度神經(jīng)網(wǎng)絡和三支決策的入侵檢測算法，用于提高網(wǎng)