基于深度学习的自组织网络多信道入侵检测方法研究

发布时间：2021-02-09 15:47

　　传统的入侵检测方法在进行自组织网络多信道入侵检测时,由于没有基于深度学习进行数据预处理,导致多信道入侵检测召回率低。为此,笔者提出基于深度学习的自组织网络多信道入侵检测方法研究。该方法利用强分类器针对大量正常、异常网络多信道行为特征进行分类,帮助训练后的深度学习分类器能够快速地对异常网络多信道行为特征做出详尽的表达,进而得出多信道异常入侵检测方程式,并通过ReLu激活函数判断自组织网络多信道的属性,进而完成多信道入侵检测。实验结果表明,设计的入侵检测方法入侵检测召回个数明显高于对照组,在对网络多信道入侵检测的召回率方面优于对照组,能够实现自组织网络多信道精准的入侵检测。 

【文章来源】：信息与电脑(理论版). 2020,32(13)

【文章页数】：3 页

【部分图文】：

基于深度学习的自组织网络多信道入侵检测流程

根据上述设计的实验,将两种入侵检测方法下得到的入侵检测召回个数进行对比。为了更直观地表现出两种入侵检测方法在入侵检测召回个数之间的差异性,将实验结果绘制为统计图。入侵检测召回个数对比结果如图2所示。从图2可以明显看出,本文设计的入侵检测方法入侵检测召回个数明显高于对照组,在对网络多信道入侵检测的召回率方面优于对照组,能够实现自组织网络多信道精准的入侵检测。通过实例分析的方式可以证明所设计的入侵检测方法可以满足设计要求,可以广泛应用于自组织网络多信道入侵检测。

【参考文献】：
期刊论文
[1]基于深度学习的入侵检测算法[J]. 吴恋,赵晨洁,左羽,于国龙,韦萍萍.  物联网技术. 2020(06)
[2]基于深度学习的实时网络入侵检测方法[J]. 朱平哲.  安阳工学院学报. 2019(04)
[3]基于深度学习的网络入侵检测研究综述[J]. 张勇东,陈思洋,彭雨荷,杨坚.  广州大学学报(自然科学版). 2019(03)
[4]基于不完全信息的深度学习网络入侵检测[J]. 饶绪黎,徐彭娜,陈志德,许力.  信息网络安全. 2019(06)
[5]基于深度学习的改进贝叶斯网络入侵检测算法[J]. 孙惠丽,陈维华,刘东朝.  软件工程. 2019(04)
[6]基于深度学习的入侵检测研究[J]. 魏明军,杨桂芳.  电脑知识与技术. 2019(04)



本文编号：3025868