摘  要：作为深度学习的一种有效算法，深度卷积网络已成功应用在处理图像、视频和音频等领域。本文建立一卷积神经网络模型并应用于网络入侵检测，通过选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度；采集到的网络数据通过多层“卷积层-下采样层”的处理对网络中正常行为和异常行为的特征进行深度刻画，最后通过多层感知机进行正确分类。KDD 99数据集上的实验表明，本文提出的卷积神经网络模型，与经典BP神经网络、SVM算法等相比，有效提高了入侵检测识别的分类准确性。

关键词：入侵检测；深度学习；卷积神经网络；特征提取

近年来，随着计算机科学和网络技术的高速发展，由黑客入侵及恶意软件等造成的网络异常情况也屡见不鲜，入侵检测技术^[1]保障网络安全的重要性也与日俱增。近阶段的入侵检测技术^[2]主要分为基于分类、基于聚类、基于统计及基于信息理论^[3]四大类算法。对于这四类入侵检测算法，前人做了大量的研究与实验，已经形成了较为成熟的理论。在基于分类的入侵检测中，Poojitha G^[4]在2010年提出使用给定数据集的信息与计算机网络在正常和异常行为由反向传播前馈神经网络（即BP神经网络）训练算法来检测异常，Balabine I^[5]在2015年发表了有关支持向量机（Support Vector Machine, SVM）在计算机网络流量异常检测的方法和系统方面的专利。在聚类入侵检测算法中，主要有常规聚类法^[6]（即只考虑数据集的行）和联合聚类法^[7]（即同时考虑数据集的行和列）两种。基于统计的入侵检测中，文献[8]采用了非线性相关系数(Non-linear Correlation Coefficient, NCC)相似性提取网络流量之间线性和非线性的相关性，提取出的相关信息用于检测恶意网络行为。上述这些算法在一定程度上都能够得出较好的检测率，但由于数据量及每一条连接维数过大的限制，一般在数据预处理阶段会人工进行维数及连接条数的筛选，这样可能会对损坏或消除数据之间隐性的相关性，漏掉一部分有效特征或特征组合。

近年来随着深度学习的兴起，诸如深度置信网络（Deep Belief Network, DBN）^[9]，循环神经网络（Recurrent Neural Networks, RNN）^[10]等多种深度学习算法被逐步应用到入侵检测中。深度学习的过程指的是特征学习的过程，它的本质是原始数据通过一些简单的非线性的模型转换成为更高层和更抽象的形式。由于转换的次数及其组合千变万化，深度学习就可以学习复杂函数。重要的是，针对分类的需求，高层和抽象的形式能够强化原始数据的分类能力，同时削弱原始数据中与分类不相关的特征分量。深度学习的每一层特征都是通过上述学习过程从数据中学到的。2012年以来，深度学习在图像识别的研究中取得了突破性的进展，在ImageNet ILSVRC和人脸识别中效果尤为显著。

以上就是部分论文写作范文

如写好论文后想在查重的小伙伴，可以返回Cncnki查重网首页www.cncnki.com，然后选择相应的论文查重系统然后进行查重检测，结果与学校一致，报告皆可在官网进行验证！