基于GAN-PSO-ELM的网络入侵检测方法

发布时间：2021-01-25 13:21

　　针对传统机器学习方法在处理非平衡的海量入侵数据时少数类检测率低的问题,提出一种融合生成式对抗网络（GAN）、粒子群算法（PSO）和极限学习机（ELM）的入侵检测（GAN-PSO-ELM）方法。对原始网络数据进行预处理,利用GAN并采用整体类扩充的方式对数据集进行少数类样本扩充。在扩充后的平衡数据集上,利用PSO算法优化ELM的输入权重与隐含层偏置,并建立入侵检测模型。在NSL-KDD数据集上进行仿真实验。实验结果表明,与SVM、ELM、PSO-ELM方法相比,GAN-PSO-ELM不仅具有较高的检测效率,而且在整体检测准确率上平均提高了3.74%,在少数类R2L和U2R上分别平均提高了28.13%和16.84%。 

【文章来源】：计算机工程与应用. 2020,56(12)北大核心

【文章页数】：7 页

【部分图文】：

不同隐含层节点数和激活函数的检测准确率

实验过程中，本文分别选用迭代次数为100、300、500、700和900进行GAN训练样本扩充实验，实验结果如图5所示，在迭代次数500以后的检测准确率趋于稳定，随着迭代次数的增加检测准确率无明显提高。综合考虑时间效率和实验结果，在后续的实验中GAN迭代次数选择500次。4.5 结果分析

网络异常行为的实时性检测是入侵检测方法的一个重要的效率指标，为了验证GAN-PSO-ELM在入侵检测中的检测效率，在不同规模的测试集上对GAN-PSO-ELM、SVM和ELM进行实验，测试所需时间如图6所示。由图6可知，在不同规模的测试集上，GAN-PSO-ELM的检测效率都要高于SVM，并且随着测试集数据的增大检测花费的时间差也变大；与ELM相比，GAN-PSO-ELM运行时间要稍微高一点，但是总体相差时间有限。

【参考文献】：
期刊论文
[1]基于BP神经网络的移动安全性能预测[J]. 徐凌伟,权天祺.  聊城大学学报(自然科学版). 2020(03)
[2]工业控制系统网络入侵检测方法综述[J]. 张文安,洪榛,朱俊威,陈博.  控制与决策. 2019(11)
[3]基于生成式对抗网络的结构化数据表生成模型[J]. 宋珂慧,张莹,张江伟,袁晓洁.  计算机研究与发展. 2019(09)
[4]基于粒子群优化算法的测光红移回归预测[J]. 穆永欢,邱波,魏诗雅,宋涛,郑子鹏,郭平.  光谱学与光谱分析. 2019(09)
[5]基于KELM选择性集成的复杂网络环境入侵检测[J]. 刘金平,何捷舟,马天雨,张五霞,唐朝晖,徐鹏飞.  电子学报. 2019(05)
[6]深度自编码网络在入侵检测中的应用研究[J]. 丁红卫,万良,龙廷艳.  哈尔滨工业大学学报. 2019(05)
[7]基于KNN离群点检测和随机森林的多层入侵检测方法[J]. 任家东,刘新倩,王倩,何海涛,赵小林.  计算机研究与发展. 2019(03)
[8]基于CUDA和布谷鸟算法的SVM在工控入侵检测中的应用[J]. 陈汉宇,王华忠,颜秉勇.  华东理工大学学报(自然科学版). 2019(01)
[9]改进的HS算法优化BP神经网络的入侵检测研究[J]. 丁红卫,万良,邓烜堃.  计算机工程与科学. 2019(01)
[10]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏.  控制与决策. 2019(04)



本文编号：2999295