PCA-LSTM在網(wǎng)絡入侵檢測中的應用

張寶華 趙瑩

摘要：近年來，隨著互聯(lián)網(wǎng)技術的持續(xù)發(fā)展，人們在依賴于網(wǎng)絡所帶來的極大方便的同時，也面臨著各種各樣的安全威脅。入侵檢測系統(tǒng)是網(wǎng)絡安全防護的重要工具，它能夠實時監(jiān)測網(wǎng)絡環(huán)境，識別網(wǎng)絡漏洞。長短期記憶神經(jīng)網(wǎng)絡是一種經(jīng)典的深度學習方法，它能夠有效解決梯度消失和梯度爆炸問題。本文將LSTM算法用于入侵檢測，提出了基于PCA-LSTM的入侵檢測模型，經(jīng)過仿真模擬實驗證明，該模型具有良好的入侵檢測性能。

Abstract： In recent years， with the continuous development of internet technology， people are facing a variety of security threats while relying on the great convenience brought by the network. Intrusion detection system is an important tool of network security protection. It can monitor network environment in real time and identify network vulnerabilities. Long short-term memory neural network is a classical deep learning method， which can effectively solve the problem of gradient disappearance and gradient explosion. This paper proposes an intrusion detection model based on PCA and LSTM. The simulation experiment of intrusion detection shows that the model has good performance of intrusion detection.

關鍵詞：入侵檢測;深度學習;主成分分析;長短期記憶神經(jīng)網(wǎng)絡

Key words： intrusion detection;deep learning;PCA;LSTM

中圖分類號：TP309 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2020）15-0259-04

0 ?引言

隨著互聯(lián)網(wǎng)技術的持續(xù)發(fā)展，人們在依賴于網(wǎng)絡所帶來的極大方便的同時，也面臨著各種各樣的安全威脅。網(wǎng)絡入侵檢測系統(tǒng)是一種主動的網(wǎng)絡安全防御工具，它能夠對網(wǎng)絡環(huán)境中的關鍵節(jié)點進行即時的監(jiān)控和分析，檢測網(wǎng)絡系統(tǒng)中是否存在被攻擊的跡象或者是否存在違反安全策略的行為，并對該行為做出相應處理[1][2]。為了有效提高入侵檢測系統(tǒng)在網(wǎng)絡環(huán)境中的檢測性能，許多研究者將機器學習技術運用到智能檢測系統(tǒng)的研發(fā)中，例如支持向量機、樸素貝葉斯、隨機森林、人工神經(jīng)網(wǎng)絡等。

深度學習是機器學習的一種，它的概念源于人工神經(jīng)網(wǎng)絡的研究，而它的結構實際上是含有多個隱藏層的多層感知器。長短期記憶神經(jīng)網(wǎng)絡（LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡，也是經(jīng)典的深度學習方法之一，它能夠有效地解決數(shù)據(jù)訓練時出現(xiàn)的梯度消失和梯度爆炸問題[3]。

本文提出了一種基于PCA-LSTM的網(wǎng)絡入侵檢測模型，對其在仿真模擬環(huán)境中進行實驗，并將其結果與經(jīng)典機器學習方法進行比較，結果表明PCA-LSTM模型優(yōu)于其他方法。

1 ?相關工作

1.1 主成分分析（Principal Component Analysis，PCA）

主成分分析是一種經(jīng)典的統(tǒng)計學方法，它能夠在保留數(shù)據(jù)重要信息的前提下，對數(shù)據(jù)集進行降維處理，去除冗余信息。該方法借助正交變換，將其分量相關的原隨機變量轉化成其分量不相關的新隨機變量，這在代數(shù)上表現(xiàn)為將原隨機變量的協(xié)方差矩陣變換成對角形矩陣;在幾何上表現(xiàn)為將原坐標系變換成新的正交坐標系，使之指向樣本散布最開的n個正交方向，然后對多維變量系統(tǒng)進行降維處理，使之能以一個較高的精度轉換成低維變量系統(tǒng)[4]。

1.2 長短期記憶神經(jīng)網(wǎng)絡（Long Short-Term Memory，LSTM）

長短期記憶神經(jīng)網(wǎng)絡是一種特殊的循環(huán)神經(jīng)網(wǎng)絡，它適合于處理和預測時間序列中間隔和延遲非常長的重要事件。LSTM延續(xù)了循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）的連續(xù)結構，如圖1所示。

它在RNN模型中的隱層增加了三個門（遺忘門、輸入門、輸出門）和一個單元狀態(tài)更新，使其具有變化的自循環(huán)權重，故此當模型參數(shù)不變時，在不同的時間節(jié)點上，可以得到動態(tài)改變的積分尺度，從而解決了梯度消失和梯度爆炸的問題[5]。

LSTM首先通過遺忘門決定從單元狀態(tài)中去除那些信息，它讀取ht-1和xt，并計算遺忘門ft的值。

然后通過輸入門和單元狀態(tài)決定存儲哪些信息，并計算輸入門It和單元狀態(tài)候選值向t。

然后將舊的單元狀態(tài)更新為新的單元狀態(tài)Ct