目录

1 绪论

1.1 研究背景及意义

1.2国内外研究现状

1.2.1网络入侵检测研究现状

1.2.2 不平衡数据集分类研究现状

1.3研究内容

2 相关技术及理论

2.1网络入侵检测

2.2 分类方法及相关概念

2.2.1 入侵检测算法

2.2.2 深度学习

2.3 卷积神经网络

2.1.1卷积层

2.1.2池化层以及全连接

2.4 预处理

3.1.1 BBPE分词

3.1.2 Word2Vec词嵌入

2.5 注意力机制

3.1.1 Transformer

3.1.2 BERT

2.6 融合卷积神经网络和BiGRU的网络入侵检测模型

3 数据处理

3.1数据预处理

3.1.1非数值型特征转化及归一化处理

3.1.2融合ADASYN和RENN的混合采样方法

3.1.3特征选择算法

3.2模型结构

4 实验结果与分析

4.1实验设置

4.2数据集及评价标准

4.3实验结果与分析

4.3.1特征选择分析实验

4.3.2 SRFCNN模块个数对比实验

4.3.3单一模型与混合模型对比实验

4.3.4不同特征选择方法对比实验

4.3.5不同采样方法对比实验

4.3.6不同池化方式对比实验

4.3.7 性能分析与对比实验

5 系统实现

5.1 入侵检测模块

5.2 检测结果展示

5.2 网络流量

5.3 系统功能管理

6 结论与展望

6.1 结论

6.2 展望

致谢语

参考文献

项目介绍

本项目聚焦复杂网络环境下流量特征冗余、样本不平衡导致入侵检测准确率偏低的问题，设计并实现一款融合CNN与BiGRU的网络流量分析与入侵检测系统。系统以深度学习算法为核心，通过RFP特征选择算法剔除冗余特征，依托ADRDB混合采样算法优化不平衡数据集，结合SRFCNN模块提取流量空间特征、BiGRU捕捉时序特征，实现对多类型网络攻击的精准识别。基于UNSW-NB15数据集完成模型训练与验证，有效提升模型检测精度与泛化能力。同时搭建可视化Web管理平台，集成流量监控、攻击识别、结果展示、数据管理等功能，可直观呈现网络流量状态、攻击类型分布与模型训练效果，兼顾算法性能与实际应用价值，能够有效适配当下复杂的网络安全防护场景。

开发环境

开发语言：Python 3.8

深度学习框架：TensorFlow

Web前端框架：Layui

数据处理框架：Scikit-learn、NumPy、Pandas

可视化工具：Matplotlib、Seaborn

系统架构：B/S 架构

开发工具：PyCharm

硬件环境：Intel Core i7-7700HQ CPU、16GB RAM、GTX 1050 4GB GPU

运行环境：Windows 64位系统、Python3.8及以上

系统实现

网络流量分析与入侵检测系统。系统主要包含四个功能模块：1) 系统管理数据模块，用于管理初始数据、训练集和测试集；2) 网络流量监控模块，用于分析协议类型特征和网络服务类型特征；3) 检测结果可视化模块，展示网络连接状态特征和攻击类型分析；4) 入侵检测模块，包含CNN模型结构展示、训练损失函数分析和IDS测试功能。系统采用现代化的Web界面设计，使用Layui框架实现，具有良好的用户交互体验。

图 5-1 模型结果

论文参考