基于深度学习的网络入侵检测模型与算法研究

入侵检测作为一种动态的主动安全防御技术，在应对形形色色的网络攻击时能够发挥重要作用。本书将深度学习与入侵检测相结合，利用深度学习强大的特征表示和学习能力获取数据特征，并从数据的空间和时间维度检测网络攻击。具体而言，本书利用图卷积神经网络、图注意力网络、稀疏自编码器、残差网络、深度信念网络以及傅里叶变换、高散傅里叶变换与快速傅里叶变换等方法开发了ResLSTM、SENet、MGNN、LOGNN、DFNNB、TFNNLHL、BT-TPF等多个网络入侵检测模型，在常规互联网、物联网、CPS等应用场景上都取得了良好的检测效果。本书可作为网络入侵检测研究或管理人员的参考用书，对相关人员理解和把握入侵检测技术的最新发展动态以及未来趋势能够发挥一定的积极作用。

第1章 入侵检测概述
1.1研究背景及意义
1.2研究现状
1.3入侵检测数据集
1.4入侵检测评价指标
第2章 深度学习基础理论
2.1感知机
2.2全连接神经网络
2.3图卷积神经网络
2.4图注意力网络
2.5稀疏自编码器
2.6深度信念网络
2.7知识转移
第3章 轻量级物联网入侵检测系统ResLSTM
3.1 ResLSTM入侵检测系统
3.2实验与分析
3.3本章小结
第4章 基于SENet的物联网轻量级入侵检测
4.1 SELSTM物联网入侵检测系统
4.2实验与分析
4.3本章小结
第5章 基于元图神经网络的入侵检测
5.1 MGNN的结构与运算
5.2元图网络层MGNL
5.3 MGNL图信息传播
5.4 MGNN中信息的传播过程分析
5.5 MGNN辅助理论
5.6实验与分析
5.7本章小结
第6章 基于深度对数神经网络的入侵检测
6.1入侵检测数据特征
6.2对数神经元LOGN及其有效性分析
6.3对数神经网络LOGNN
6.4反梯度消失禁忌域损失函数
6.5实验与分析
6.6本章小结
第7章 基于层次学习的轻量级入侵检测模型
7.1 TFNN_LH入侵检测模型的构建
7.2 TFNN_HL模型入侵检测步骤
7.3实验对比与分析
第8章 基于知识蒸馏的轻量级入侵检测模型
8.1 BT-TPF入侵检测模型的构建
8.2 BT-TPF模型的入侵检测步骤
8.3实验对比与分析
8.4本章小结