基于可变网络结构自组织映射的入侵检测模型

发布时间：2021-02-10 00:54

　　针对网络入侵检测在数据不均衡下检测性能较差的问题,提出了一种对比主成分分析（c PCA）结合可改变网络结构的自组织映射（AMSOM）的入侵检测模型。通过把少数类设置为背景数据,c PCA在降维的同时提高模型对少数类攻击的识别能力。AMSOM在输出层构建一个更加灵活的动态神经元网络,保持两个空间的对应关系,解决了SOM在训练过程中产生畸形的问题,提高输出神经元的聚类结果识别率。使用NSL-KDD数据集,实验结果表明提出的模型对少数的网络攻击表现出良好的性能,具有更高的准确率、召回率和F1值。 

【文章来源】：计算机工程与应用. 2020,56(12)北大核心

【文章页数】：6 页

【部分图文】：

AMSOM增加神经元的过程

cPCA的主要用途与PCA相同：有效地减少维度以实现可视化和探索性数据分析。cPCA适用于各种无监督学习应用，这将cPCA与一大类监督学习方法分开，其主要目标是对各种数据集进行区分。用白鼠蛋白质数据[12]的例子说明，如图1所示，使用PCA将有和没有唐氏综合症的白鼠蛋白质数据集投影到其前两个主要成分方向中，前者和后者的数据在该子空间上的分布类似。然后使用cPCA将数据集投影到其前两个主要成分方向，明显观察出有和没有唐氏综合症的白鼠聚类。主成分分析算法（Principcal Component Analysis,PCA）的基本思想是：当涉及多维属性信息，且属性之间存在相关性时，使用主成分分析将属性重新组合成无相关性的低维属性，用于表示原有信息。一个入侵检测的数据集{xi}中，除了正常的数据和常见攻击的数据之外，还包含这一些数量少而却难以检测到的入侵攻击。如果把直接将PCA应用于{xi}，则最重要的主成分可能只识别正常与常见攻击的特征，而不是少数攻击的特征，因为前者的数量大于后者。cPCA算法通过设置两组数据，把数量少的入侵攻击{yi}当作对照，发现这些攻击的趋势和变化。

cPCA需要两个数据集，目标数据集和背景数据集。PCA根据关联方差对主成分进行排序，生成投影数据集方差最大的特征空间，但它不能保证具有较高方法的特征向量具有相应判别力。如图2所示，cPCA选择的是目标数据集相对于背景数据集方差更大的投影方向，由此发现数据集独有的低维结构。通过cPCA降低目标数据的维数，将会发现不同的集群[13]。过程：目标数据集为{xi∈Rd},背景数据集为{yi∈Rd},CX和CY为它们协方差矩阵。Rdunit={v∈Rd:?v?2=1}为单位向量的集合。对于任何方向v∈Rdunit，目标数据和背景数据在该方向上的方差如下。


本文编号：3026515