入侵检测

摘要： 相位敏感光时域反射计(Φ-OTDR)已广泛应用在防入侵检测、建筑结构的裂缝健康检测和管道检测,但其准确性和抗噪性能还需要提高。提出了一种基于Φ-OTDR的智能识别系统,该系统采用神经网络算法进行智能识别,并对振动强度进行识别概率化处理。实验结果表明:提出的系统能够准确识别并定位入侵行为,定位精度达到5 m以内。

摘要： 针对网络入侵检测模型自适应能力不足的问题,将麻雀搜索算法(SSA)中的大范围快速搜索能力引入到粒子群优化(PSO)算法,提出基于麻雀搜索算法的改进粒子群优化(SSAPSO)算法。该算法通过对轻量级梯度提升机(LightGBM)算法中难以整定的参数进行寻优,使PSO算法在保证寻优精度的同时快速收敛,并得到最优的网络入侵检测模型。仿真实验结果表明,在4种基准函数上,SSAPSO比基本PSO算法收敛速度更快;在KDDCUP99数据集上,SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升(CatBoost)算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%;SSAPSO-LightGBM算法在上述数据集中正常流量(Normal)、未授权远程访问(R2L)攻击、未授权本地访问(U2R)攻击、监听(PROBE)攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。

摘要： 针对当前的入侵检测方法普遍存在准确率与泛化性较低的问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和权重缩减门控循环单元(Weight Reduction Gated Recurrent Unit,WRGRU)的网络入侵检测模型(CNN-WRGRU)。该模型首先利用CNN进行入侵检测数据集的特征提取,其次利用WRGRU来学习数据特征之间的依赖关系,保留了特征之间的长期相关性,有效地防止了过拟合现象的出现,提高了模型的识别准确率及泛化性。在实验中,将CNN-WRGRU与传统方法在公开数据集上进行了检测性能比较,结果证明CNNWRGRU模型具有更好的识别效果,有效地提高了入侵检测的识别精度。

摘要： 针对当前工业互联网的攻击行为复杂,其网络数据具有海量、高维、时序性和非线性等特征,导致传统入侵检测方法的特征提取困难、检测率低、泛化能力差等问题,提出一种融合深度信念网络(deep belief network,DBN)和双向长短时记忆网络(Bi-directional long short-term memory,BiLSTM)的深度混合入侵检测模型。对数据集进行预处理;利用深度信念网络和双向长短时记忆网络分别对非线性特征和长距离依赖信息进行特征提取;利用softmax分类器识别入侵行为。测试结果表明,相较于目前领先的算法,该方法在天然气管道数据集上的准确率提高了0.82%,误报率降低了0.35%;在UNSW-NB15数据集上的准确率提高了2.40%,误报率降低了4.17%。

摘要： 数字革命的到来使智能电网运行安全防护问题从单一的物理层面防护扩展至信息物理协同防护,先进的网络安全威胁将会对电网物理侧造成严重影响。高效、可靠、实时的电网协同安全防护方法是智能电网发展的核心基础支撑。回顾了国内外相关研究。针对电力信息物理系统的内涵特征,提出了模型与数据双重驱动下的智能电网动态安全防护闭环控制思想,具体包括未知攻击快速入侵检测、信息物理穿透式风险评估及协同安全决策等三个科学问题。总结分析了智能电网安全防护现有的研究成果和缺陷并提出其未来研究方向,为建设本质安全的智能电网奠定理论和工程基础。

摘要： 针对电力客户侧终端网络逐渐开放、设备分散和不易进行安全监测的现状,提出了一种基于LightGBM的高效率网络入侵检测模型。文章在目标编码中引入改进的平滑映射方法,提升了模型的检测效果;利用BPSO算法进行特征选择,设计目标函数,在保障检测准确率的前提下,实现对低价值特征的去除,降低模型的时间开销,并通过设计速度变异策略提升BPSO算法的效率;利用LightGBM算法实现入侵检测和攻击分类,并利用PSO算法实现LightGBM参数的自动选取。基于多个开源数据集的实验表明,所提模型具有较高的自适应能力,在攻击检测上具有较高的准确率、较少的误报和漏报情况,并且可以提升19%的训练和检测效率。

摘要： 针对传感云网络易受到入侵攻击的问题,提出基于机器学习的传感云入侵检测方法.首先,计算传感云入侵响应指标;其次,建立双向卷积神经入侵检测模型,在此模型中,设计机器学习的C4.5映射算法;最后,通过混合串行入侵防护实现传感云入侵检测.实验结果表明:设计方法所得出的虚警概率相对较低,说明检测过程中出现的误差较少,效果更佳,具有实际应用意义.

摘要： 在当前网络入侵检测方法研究中,存在样本数据不平衡的问题,小样本数据(异常数据)过少是检测准确率低的重要原因,现有方法对小样本数据存在检测率低的问题.为了解决该问题,提出一种改进多层分类策略的随机森林网络入侵检测算法,该算法使用随机森林作为基本单元构建多层模型.首先,在不同层划分出不同的超类,在划分超类前,利用聚类质心技术对数据进行欠采样并用以平衡样本数据;其次,每一层使用不同的特征选择算法,使每一层的样本划分都能够匹配最适合的特征子集;最后,将超类划分后,递归地将超类继续划分为更小的类别,不断迭代直到所有小类别被划分完毕.在NSL-KDD数据集上的实验表明:该算法能够解决样本数据不平衡的问题,提升对小样本数据检测的准确率,是一种可行的算法.

摘要： 针对物联网入侵检测中检测数据不平衡导致的分类不准确的问题,提出了一种基于极端梯度提升树和随机森林相结合的物联网入侵检测模型.首先,针对物联网应用环境中产生的大量数据,对数据进行数据归一化处理.然后,利用XGBoost算法对其中的特征进行重要性评分,选择最优特征.最后,结合改进的随机森林算法,解决因数据不平衡导致的分类不准确的问题.仿真试验表明所提模型能有效的进行数据最优特征选择及合理地检测分类,同RF算法、SVM算法、Tree-SVM模型和RF-GDBT模型相比,所提模型的检测准确率有效改善.

摘要： 由于传统的被动型入侵防御技术应对大数据时代的各种网络攻击能力不足,研究使用粒子群优化算法优化极限学习机隐含层神经元的内连接权值,解决了随机产生权值造成的分类检测稳定性不足、分类效果差的问题。仿真实验选取CUP99数据集进行性能测试,与经典的极限学习机模型对比发现,该文提出的PSO-ELM算法,其入侵检测的平均识别准确率高达98%以上,且收敛速度快、稳定性较好,明显优于ELM神经网络模型,应对大数据时代的网络入侵效果尤为理想。

摘要： 随着我国制造业向数字化、网络化、智能化转型升级,网络安全威胁日益向工业领域蔓延.另外,随着新型基础设施建设的推进,工业系统需要防护对象的数量大幅增加,工业系统的受攻击面不断扩大,防护要求和难度也不断提高.这些新挑战推动工业互联网安全技术产品加速变革.天融信率先提出以行为分析为基础、白名单为主要手段、黑名单作为辅助验证方式的先进安全理念,并发布创新产品工控入侵检测与审计系统,以工业入侵检测、工业漏洞攻击检测、工业操作行为审计、工业流量审计和工业资产发现5大应用价值,帮助客户可发现来自生产网内外部攻击威胁,为客户提供直观、落地的安全防护建议,保障工业生产网络安全运行.

摘要： 为了解决无线网络入侵检测中的数据隐私问题,文中提出了一种基于联邦学习和循环神经网络的无线网络入侵检测模型,准确率可达到97.34％,训练时间为2136s.与传统的入侵检测相比,能够在缩短耗时的前提下达到一定的准确率.与分布式训练相比,所提方法的数据传送更简单且保障了用户隐私.

摘要： 随着信息技术的迅猛发展,入侵检测系统越来越受到关注.文中针对在入侵检测中单一应用卷积神经网络(CNN)和循环神经网络(RNN)无法同时学习时序和空间特征的问题,提出了一种基于CNN和RNN的混合模型,将CNN和RNN模块的输出线性连接形成中间混合层.通过在NSL-KDD数据集上的实验结果可知,该模型有效提高了入侵检测识别的精度和分类准确性.

摘要： 无线网络是通信系统的重要组成部分.由于开放性等特点,其安全面临严重的威胁.实时安全监测是无线网络安防行动有效开展的基本前提,因此,急需通过构建无线网络安全监测体系,增强无线网络系统的安全性能,应对无线网络安全威胁的挑战,提高对无线网络内部运行安全状态进行监控和对威胁事件进行预警的能力.无线网络可能会受到搜索攻击、信息泄漏攻击、无线认证欺骗攻击、网络接管和篡改和拒绝服务攻击等安全威胁.因此,探讨新形势下无线网络安全的对策,对于保障无线网络的安全,提高网络运行质量具有重要意义.综上,设计了复杂无线环境下的入侵检测与防护监控系统,旨在对无线网络安全问题进行分析,针对这些问题提供相应的防范措施等.

摘要： 随着互联网的快速发展,当前的网络安全问题越来越严峻,入侵检测在其中扮演着不可替代的作用.对于入侵检测领域现有的研究常使用传统的机器学习模型对网络中的攻击事件进行分类,从而识别入侵样本,然而该方法存在检测率低且泛化性较弱的问题.为了提高入侵检测模型的准确率,设计了一种基于卷积神经网络算法的网络入侵检测模型.该模型将改进的卷积层和长短期记忆网络进行结合,并用于入侵样本空间和时间维度上的特征进行提取,在卷积层中使用深度可分离卷积层对传统的卷积层进行改进,并采用长短期记忆网络模型对网络特征中的时间序列进行学习,最终实现根据网络中的特征对入侵的攻击行为进行准确的分类.该模型针对KDD99数据集进行实验分析,在该数据集上对入侵行为进行检测,由实验结果可知该模型的准确率可到达98.7％,该模型相比其他传统机器学习模型具有更高的准确率和较高的实用性.

摘要： 针对入侵数据非平衡、传统机器学习算法依赖人工特征提取、特征表示不准确的问题,提出一种基于GAN数据增强和混合神经网络的入侵检测方法GCG.该方法的重点在于构建生成式对抗网络并利用生成器和判别器的博弈思想生成相对平衡的流量数据训练集,以此来解决数据非平衡问题.将经过预处理后的流量数据的矩阵表示形式输入到混合神经网络中,通过卷积操作和门控操作分别从空间和时序两个层面上对流量数据进行特征提取,以此来精准特征表示.采用Softmax分类算法对网络流量数据进行分类.仿真实验均已在NSL-KDD数据集上得到验证,实验表明,该文所集成的入侵检测方法具有良好效果.

摘要： 当今互联网技术飞速发展,网络入侵行为也更加多样化,庞大的入侵数据流量成为困扰当前入侵检测系统的重要问题.由于Web攻击种类众多,文章主要选择OWASP TOP10中影响最为严重的跨站脚本攻击(XSS)作为主要检测对象进行研究.针对当前入侵检测的困境,文章利用深度学习中的卷积神经网络、时间循环神经网络、多层神经网络3种算法来检测Web攻击.结果显示3种算法的准确率均达到99％以上.

摘要： 云计算技术的发展给网络安全管理带来全新挑战,云主机的安全管理难度和复杂度增加,安全管理人员对主机状态、漏洞情况、攻击行为掌握不全.因此,安全管理人员需建立全面的云主机安全检测与分析体系,提升安全风险发现能力,提高安全事件处置水平,检测各类入侵攻击行为.

摘要： 云计算技术的发展给网络安全管理带来全新挑战,云主机的安全管理难度和复杂度增加,安全管理人员对主机状态、漏洞情况、攻击行为掌握不全.因此,安全管理人员需建立全面的云主机安全检测与分析体系,提升安全风险发现能力,提高安全事件处置水平,检测各类入侵攻击行为.

摘要： 云计算技术的发展给网络安全管理带来全新挑战,云主机的安全管理难度和复杂度增加,安全管理人员对主机状态、漏洞情况、攻击行为掌握不全.因此,安全管理人员需建立全面的云主机安全检测与分析体系,提升安全风险发现能力,提高安全事件处置水平,检测各类入侵攻击行为.

摘要： 状态检测部(105)检测通信系统(600)中包含的多个控制器(300、400)的状态。攻击判定部(103)从分别与状态的组合对应的多个白名单(110)中选择与由状态检测部(105)检测到的多个控制器(300、400)的状态的组合对应的白名单(110)。并且，攻击判定部(103)利用选择出的白名单(110)检测对通信系统(600)的攻击。

摘要： 检测对连接控制器(51)与监视控制终端(40)之间的网络(30)的入侵的入侵检测装置(10)具有：通信取得部(11)，其取得流过网络(30)的关于空调设备(56)的通信数据；通信许可列表生成部(14)，其生成允许网络(30)中的通信的通信许可规则并作为通信许可列表进行保存；以及入侵检测部(12)，其对包含通信取得部(11)所取得的通信判定数据的通信判定数据与通信许可列表中的通信许可规则进行比较，由此检测对网络(30)的入侵，通信许可列表生成部(14)根据包含空调设备(56)的对象的属性信息的工程信息生成通信许可规则，其中，该控制器(51)控制空调设备(56)，该监视控制终端(40)对控制器(51)和空调设备(56)进行监视。

摘要： 本发明为一种采用统一检测框架的入侵检测方法和系统，该方法包括：在选择的报文处理单元植入挂载点，为各检测单元配置挂载点，所需的报文特征信息在各自挂载点之前的报文处理过程中得到，将所有启用的检测单元注册到各自要挂载到的挂载点，当报文经过挂载有检测单元的挂载点时，由该挂载点上的检测单元对该报文进行入侵检测，检测完成后，对非最末一级的挂载点，报文再进入该挂载点后的报文处理单元或挂载点继续处理；该系统包括各协议层上的多个报文处理单元、多个检测单元、配置单元、初始化单元以及检测控制单元。本发明不需改变软件架构就可以迅速实现检测单元的增删，节约了时间和系统资源。

摘要： 检测对连接控制器(51)与监视控制终端(40)之间的网络(30)的入侵的入侵检测装置(10)具有：通信取得部(11)，其取得流过网络(30)的关于空调设备(56)的通信数据；通信许可列表生成部(14)，其生成允许网络(30)中的通信的通信许可规则并作为通信许可列表进行保存；以及入侵检测部(12)，其对包含通信取得部(11)所取得的通信判定数据的通信判定数据与通信许可列表中的通信许可规则进行比较，由此检测对网络(30)的入侵，通信许可列表生成部(14)根据包含空调设备(56)的对象的属性信息的工程信息生成通信许可规则，其中，该控制器(51)控制空调设备(56)，该监视控制终端(40)对控制器(51)和空调设备(56)进行监视。

摘要： 本发明提供了一种入侵检测方法，采用了聚类分析和SVM联用的技术，在训练支持向量机时，先将大量数据进行分类，生成聚类之后的多个数据类，其中每个数据类具有相似的特征，然后再针对每一个聚类之后的数据类生成一个对应的支持向量机，这样的设计防止将非常不同的两种行为作为训练样本来训练SVM，造成SVM出现过拟合的问题；同时，利用历史经验设计了聚类效果评判标准，防止使用简单的试错法造成的低效率问题。

摘要： 本发明为一种采用统一检测框架的入侵检测方法和系统，该方法包括：在选择的报文处理单元植入挂载点，为各检测单元配置挂载点，所需的报文特征信息在各自挂载点之前的报文处理过程中得到，将所有启用的检测单元注册到各自要挂载到的挂载点，当报文经过挂载有检测单元的挂载点时，由该挂载点上的检测单元对该报文进行入侵检测，检测完成后，对非最末一级的挂载点，报文再进入该挂载点后的报文处理单元或挂载点继续处理；该系统包括各协议层上的多个报文处理单元、多个检测单元、配置单元、初始化单元以及检测控制单元。本发明不需改变软件架构就可以迅速实现检测单元的增删，节约了时间和系统资源。

摘要： 本申请公开了一种基于UDS的入侵检测方法、入侵检测装置、车辆及存储介质，基于UDS的入侵检测方法包括接收终端设备发送的诊断服务请求；获取诊断服务请求中的报文信息；当确定报文信息符合预设条件时，生成诊断服务请求对应的计数值；当计数值大于或者等于预设阈值时，确定车辆受到入侵。本方法实现了根据终端设备发送的诊断服务请求中的报文信息，确定车辆是否受到入侵，以便于用户在车辆受到入侵时对车辆进行处理，降低了车辆的安全隐患。

摘要： 本发明提供一种入侵检测方法、监控平台、入侵检测系统和计算机可读存储介质。所述入侵检测方法包括：将雷达报警信息与视频报警信息进行对比，所述雷达报警信息为雷达检测到的物体进入监控区域内时发出的报警信息，所述视频报警信息为视频采集设备检测到的物体进入所述监控区域内时发出的报警信息；当所述雷达报警信息与所述视频报警信息相匹配时，对所述视频采集设备检测到的物体进行身份确认，以获得确认结果；当所述确认结果表明所述视频采集设备检测到的物体满足预定的入侵告警条件时，判定存在入侵物。

摘要： 本申请实施例提供一种入侵检测的方法、入侵检测模型训练的方法、装置及介质，该方法包括：获取初始数据集，其中，所述初始数据集包括n条网络数据；将所述初始数据集进行聚类，获得多个簇；从所述多个簇中至少部分簇的各簇分别获取部分网络数据作为训练数据，并基于所述训练数据对构建的入侵检测模型进行训练，获得目标入侵检测模型。通过本申请的一些实施例能够提取网络数据中更有效的特征，从而充分的提取得到了网络数据的相关信息，进而实现精准的网络数据自动分类，有效的提高了入侵检测模型的检测准确率。

摘要： 提供一种用于门窗的入侵检测方法，包括接收附着在所述门窗上的传感器采集的加速度或角速度数据；判断所述加速度或角速度数据中的多个加速度或角速度数据样本是否包括满足如下预定标准的连续加速度或角速度数据样本：(i)在所述连续加速度或角速度数据样本中每两个相邻加速度或角速度数据样本之间的变化量数据大于第一预定阈值，并且(ii)所述连续加速度或角速度数据样本的个数大于第二预定阈值；基于所述判断的结果确定是否发生针对所述门窗的入侵；以及输出所述确定的结果。由此，准确地识别入侵者的入侵。