1. 研究目的与意义（文献综述包含参考文献）
研究背景：随着互联网时代的发展,在网络空间中的恶意攻击行为日益增加。
1) 2020年上半年国家信息安全漏洞共享平台（CNVD)共发现通用安全漏洞11073个，同比增长89.0%。
2) 在拒绝服务攻击方面，分布式拒绝服务攻击（DDoS）依然是最常见的网络安全威胁之一，大流量DDoS攻击事件对互联网用户造成了较大的影响。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 研究的基本内容、问题解决措施及方案
1. 拟研究或解决的问题本课题针对现有的基于机器学习的入侵检测系统对类不平衡数据检测准确率低的问题,提出一种基于条件Wasserstein生成对抗网络(CWGAN)和卷积神经网络(CNN)的入侵检测(CWGAN-CNN)。
CWGAN-CNN通过生成样本来改善数据集的类不平衡问题,提升对少数类和未知类的检测效率。
首先,通过变分高斯混合模型(VGM)对原始数据中的连续特征进行处理,将连续特征的高斯混合分布进行分解﹔然后利用CWGAN学习预处理后数据的分布并生成新的少数类数据样本、平衡训练数据集;最后，利用平衡训练集对CNN进行训练﹐将训练得到的CNN用于入侵检测。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
