舰船网络入侵行为的检测与识别研究

入侵行为检测是保证舰船网络安全的核心技术,当前入侵行为检测与识别存在检测误差大,识别准确性差等严重不足,为此设计基于核主成分分析和聚类分析算法的舰船网络入侵行为的检测与识别方法。首先对舰船网络入侵行为的检测的原理进行分析,并收集大量的舰船网络入侵行为检测特征。然后采用核主成分分析对舰船网络入侵行为检测特征进行选择,并通过聚类分析算法建立训练样本。最后建立舰船网络入侵行为检测与识别模型。利用标准舰船网络入侵数据集的仿真测试结果表明,本文方法不仅可以大幅度减少舰船网络入侵行为特征数量,降低舰船网络入侵行为检测的复杂度,舰船网络入侵行为检测的实时性增强,而且能够获得更高正确率的舰船网络入侵行为检测结果。     

基于特征优化和机器学习算法的舰船网络非法入侵行为识别

舰船网络非法入侵行为识别受到识别算法的影响,使得误检率较高。因此,提出特征优化和机器学习算法的舰船网络非法入侵行为识别方法设计。采用自适应遗传算法,完成舰船网络数据特征优化处理,有效提升了识别效率。以SVM算法为核心设计行为分类算法,完成舰船网络数据的分类。最后,通过构建网络非法入侵行为识别模型,实现非法入侵行为的准确识别。实验结果表明:从单一类型非法入侵行为识别结果分析,本文方法的平均误检率相比传统方法降低了4.8%,8.69%;从多种类型非法入侵行为识别结果分析,本文方法将平均误检率分别降低了10.02%、10.74%。     

舰船监控网络入侵的实时检测研究

传统舰船监控网络入侵检测方法实时性差,无法及时发现舰船监控网络中的入侵行为。为了满足舰船监控网络入侵检测的实时性,加快舰船监控网络入侵检测速度,提出一种舰船监控网络入侵的实时检测方法。首先提取舰船监控网络入侵行为特征,然后引入特征降维算法对舰船监控网络入侵行为进行处理,使得舰船监控网络入侵行为特征数量变少,最后引入支持向量机对舰船监控网络入侵行为进行分类和检测,并通过实例分析本文方法的有效性。结果表明,本文方法能够有效防止出现"维数灾"现象,具有较好的舰船监控网络入侵检测实时性,提高入侵检测的准确性,能够有效保证舰船监控网络安全。     

船舶网络非法入侵行为的电子取证和识别研究

随着信息化和网络技术的发展,舰船计算机网络的规模越来越大,在舰船通信、导航、控制方面发挥的作用也越来越大。与此同时,舰船计算机网络面临的安全问题更加突出,尤其是舰船网络存在大量的非法入侵和数据干扰行为,因此,提高舰船计算机网络的安全性非常有必要。本文重点分析网络入侵行为的电子取证技术,构建舰船网络非法入侵的电子取证模型,并结合硬件平台进行网络非法入侵行为的电子取证和识别。     

基于极限学习机的舰船网络入侵检测算法

针对传统网络入侵检测算法在舰船网络中存在的检测误差高的问题,提出基于极限学习机的舰船网络入侵检测算法。构建舰船通信网络模型,在该模型下实时采集通信数据并对其进行预处理。将采集的数据作为输入项,利用极限学习机算法提取网络入侵特征。根据网络入侵行为设置行为特征标准,结合舰船网络入侵节点聚集度的计算结果,得出舰船网络入侵检测结果。通过与传统入侵检测算法的对比发现,设计算法的检测误差有所降低,即入侵检测精度得到提升。     

云计算的舰船网络入侵检测算法研究

普通入侵检测方法,不能在舰船保持运动状态情况下,准确判断入侵数据所处位置,并快速清除入侵数据。为解决此问题,搭建基于云计算环境的舰船网络入侵检测算法。通过数据捕捉模块的搭建、数据预处理模块的搭建,完成云计算运行环境的搭建。通过舰船网络总体结构的搭建、入侵检测算法的优化,完成算法的搭建。引入PSO法则,对算法的实现起到一定约束作用。设计对比实验结果表明,新型算法与普通方法相比,可以准确判断入侵数据所处位置,并大幅节省清除入侵数据所需时间。     

舰船通信网络感知层异常入侵行为集成识别方法

为了缩短异常入侵行为集成识别的时间,提高舰船通信网络感知层异常入侵行为的识别能力,提出了舰船通信网络感知层异常入侵行为集成识别方法。采取短时过零率与短时能量相结合的方式,得到了舰船通信网络感知层异常入侵行为特征的提取流程,完成了舰船通信网络感知层异常入侵行为的特征提取;又结合异常入侵行为集成识别流程的设计,实现了舰船通信网络感知层的异常入侵行为集成识别。对比实验结果证明,提出的异常入侵行为识别方法与基于数据挖掘的识别方法相比,异常入侵行为的识别能力提高了56.8%。     

大型舰船通信网络入侵检测方法研究

针对传统的入侵检测方法一直存在入侵检测误差大、收敛性差的问题,提出基于惩罚函数和多元回归分析数学模型的大型舰船通信网络入侵检测方法,通过确定入侵节点区域面积计算舰船通信网络入侵节点聚集度,引入一个惩罚函数,再采用决策树分类法对舰船通信网络入侵节点进行分类。采用均方差作为标准测度函数,获取均方差之和,并通过构建多元回归分析数学模型,实现对大型舰船通信网络入侵的检测。实验结果对比可知,采用改进检测方法时,其检测误差及算法的收敛性,一直优于传统检测方法,具有一定的实用性。     

舰船网络入侵风险等级估计算法研究

针对当前舰船网络入侵风险等级估计算法存在的缺陷,以提高舰船网络入侵风险等级评估正确率为目标,设计了一种改进极限学习机的舰船网络入侵风险等级估计算法。首先根据专家和相关研究设计舰船网络入侵风险等级估计的指标,并根据指标采集相应的舰船网络入侵风险等级估计数据,然后采用极限学习机对舰船网络入侵风险等级进行建模,并采用粒子群算法优化舰船网络入侵风险等级估计模型的参数,最后进行舰船网络入侵风险等级估计验证性实验。实验结果表明,改进极限学习机获得了十分理想的舰船网络入侵风险等级估计结果,而且估计性能要远优于当前其它舰船网络入侵风险等级估计算法,具有更高的实际应用价值。     

舰船网络安全信息的智能分类研究

舰船网络一旦被非法者侵入,就会造成舰船机密信息被窃取和泄露的风险,因此及时发现入侵者行为,对于及时规避舰船网络入侵风险具有重要的现实意义。为此,结合深度学习算法进行舰船网络安全信息高精度分类方法的研究十分必要。该研究首先采集舰船网络安全信息数据并进行归一化处理,然后利用深度学习中的深度置信网络模型,提取舰船网络安全信息特征,最后利用随机森林分类器进行舰船网络安全信息类型分类。结果表明:与其他分类方法相比,研究方法应用下,检测率、准确度均更高,而虚警率则较低,达到了高精度舰船网络安全信息分类的要求。