原文传递
基于GAN的样本不完备条件下车联网入侵检测方法研究
| 论文题名： | 基于GAN的样本不完备条件下车联网入侵检测方法研究 |
| 关键词： | 车联网安全;入侵检测;生成式对抗网络;数据增强 |
| 摘要： | 当前，随着计算机、5G通信等技术的不断发展，汽车逐渐智能化、网联化。为了进一步实现对车辆的智能控制、管理及决策，建立了“人、车、路、云”协同的网络环境。但由于车辆本身缺乏对网络安全的考虑、计算能力有限，加之车辆本身的应用环境十分复杂，大量传感网络和分布式节点对安全性要求极高。车联网面临的安全风险和威胁日益凸显，可能会给个人和企业带来重大生命和财产损失，甚至上升到国家公共安全的高度。 入侵检测算法作为一种主动防御手段，可以有效解决车联网存在的安全隐患。但传统的入侵检测算法不仅需要人工提取数据，而且局限于已有的攻击库，导致检测率较低。将机器学习应用于入侵检测领域，可以使检测率得到极大地提高，但当面临少数类样本攻击和无样本的未知攻击时，依旧存在检测率低的问题。基于此，论文做了以下工作： （1）针对少数类样本攻击，提出了一种基于深度卷积生成对抗网络（DeepConvolutionalGenerativeAdversarialNetworks，DCGAN）的少数类样本数据生成入侵检测算法。该算法选择全连接网络作为入侵检测模型，再从数据层面使用DCGAN生成少数类样本，将生成的样本加入原始数据集中，使各类别数据分布均衡，采用合并后的数据集训练入侵检测模型，能够缓解少数类样本攻击检测性能差的问题。 （2）针对无样本的未知攻击，提出了一种基于改进生成式对抗网络（GenerativeAdversarialNetworks，GAN）的未知攻击入侵检测算法。采用改进的GAN同时训练两个模型：已知攻击训练和未知攻击训练。已知攻击训练实质是搭建分类模型，再使用已知攻击对其训练；未知攻击训练则是搭建GAN模型，在判别器与生成器博弈对抗的过程中，提高判别器识别正常样本的能力，最后通过判断输入是否为正常样本来达到检测未知攻击的目的。 （3）选用公开数据集分别对两个算法的分类性能进行检验。首先，验证基于DCGAN的少数类样本数据生成入侵检测算法对少数类样本攻击的检测性能，证明其有效性；其次，验证基于改进GAN的未知攻击入侵检测算法在解决未知攻击检测问题上的可行性。 |
| 作者： | 高舒 |
| 专业： | 交通运输工程 |
| 导师： | 崔建明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
