基于DL和TSVM的入侵检测方法研究
发布时间：2021-04-06 01:08
为解决网络环境下大量高维数据给入侵检测造成的数据特征提取不当、检测速度慢、检测率低的问题,提出一种基于深度置信网络（Deep Belief Network,DBN）和孪生支持向量机（Twin Support Vector Machine,TSVM）的入侵检测模型（DBN-TSVM-5）。利用五层受限玻尔兹曼机的DBN对归一化后的标准数据集进行特征降维,以获得入侵检测数据的最优低维表示,构造多分类TSVM-5分类器,对降维后的数据进行识别。经过KDDCUP99数据集的仿真实验,结果表明,该模型是一种有效的入侵检测模型。
【文章来源】：计算机应用与软件. 2020,37(12)北大核心
【文章页数】：6 页
【部分图文】：
DBN模型图
1986年,一个层内无连接、层间全连接的两层网络模型被提出,它就是RBM,包含了一个可见层V和一个隐含层H,每一层都是由神经元组成,所有神经元都有激活状态1和未激活状态0两种状态值。W是两层之间的连接权重矩阵,a是可见层偏差,b是隐含层偏差。如图2所示。训练RBM模型使用的数据特征维数较高时,以Gibbs采样方法训练需要足够大的采样步数,可想而知用此方法训练RBM会花费相当多的时间,导致最终训练结果不理想。针对该问题,Hinton[10]提出对比散度算法(Contrastive Divergence,CD)。
Jayadeva等[12]在2007年提出了TSVM。TSVM的基本思想是对正负两类样本点分别构造一个分类超平面。这样有两点好处:一方面使得每一个分类超平面与其中一类样本点尽可能近;另一方面远离另一类样本点。以二维平面内的样本数据为例,对线性TSVM分类思想描述如图3所示。TSVM实质上是将传统SVM中的一个二次规划问题(Quadratic Programming Problem,QPP)分成两个规模较小的QPP[13],简化了计算复杂度,使得样本训练时间缩减为传统SVM的四分之一,而且还保持了较高的分类精度。
本文编号：3120455
【文章来源】：计算机应用与软件. 2020,37(12)北大核心
【文章页数】：6 页
【部分图文】：
DBN模型图
1986年,一个层内无连接、层间全连接的两层网络模型被提出,它就是RBM,包含了一个可见层V和一个隐含层H,每一层都是由神经元组成,所有神经元都有激活状态1和未激活状态0两种状态值。W是两层之间的连接权重矩阵,a是可见层偏差,b是隐含层偏差。如图2所示。训练RBM模型使用的数据特征维数较高时,以Gibbs采样方法训练需要足够大的采样步数,可想而知用此方法训练RBM会花费相当多的时间,导致最终训练结果不理想。针对该问题,Hinton[10]提出对比散度算法(Contrastive Divergence,CD)。
Jayadeva等[12]在2007年提出了TSVM。TSVM的基本思想是对正负两类样本点分别构造一个分类超平面。这样有两点好处:一方面使得每一个分类超平面与其中一类样本点尽可能近;另一方面远离另一类样本点。以二维平面内的样本数据为例,对线性TSVM分类思想描述如图3所示。TSVM实质上是将传统SVM中的一个二次规划问题(Quadratic Programming Problem,QPP)分成两个规模较小的QPP[13],简化了计算复杂度,使得样本训练时间缩减为传统SVM的四分之一,而且还保持了较高的分类精度。
本文编号：3120455
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3120455.html
