基于Adam-BNDNN的网络入侵检测模型

发布时间：2021-04-26 03:44

　　针对传统入侵检测算法检测精度低、误报率高等问题,提出了一种融合批量规范化和深度神经网络的网络入侵检测模型;该模型首先在深度神经网络隐藏层添加批量规范化层,优化隐藏层的输出结果,然后采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,提高模型检测能力;并使用NSL-KDD数据集进行仿真实验,结果表明该模型的检测效果优于SNN、KNN、DNN等检测方法;整体检测率可达99.41%,整体误报率为0.59%,证明了模型的可行性。 

【文章来源】：计算机测量与控制. 2020,28(02)

【文章页数】：6 页

【文章目录】：
0 引言
1 DNN概述
    1.1 He初始化权值
    1.2 ReLU和Softmax激活函数
    1.3 Mini-batch梯度下降
2 模型设计
    2.1 Adam-BNDNN的检测模型
    2.2 BN批量规范化优化
    2.3 Adam梯度下降优化
    2.4 L2正则化
3 数据集选取和处理
    3.1 实验数据集选取
    3.2 数据预处理
        3.2.1 特征提取
        3.2.2 数值化
        3.2.3 归一化
    3.3 训练集和测试集的划分
4 实验与对比分析
    4.1 实验参数选取
    4.2 实验结果及分析
5 总结


【参考文献】：
期刊论文
[1]基于自编码器和极限学习机的工业控制网络入侵检测算法[J]. 李熠,李永忠.  南京理工大学学报. 2019(04)
[2]基于信息增益与主成分分析的网络入侵检测方法[J]. 王旭仁,马慧珍,冯安然,许祎娜.  计算机工程. 2019(06)
[3]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏.  清华大学学报(自然科学版). 2019(07)
[4]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工.  智能系统学报. 2019(01)
[5]利用SSO的自适应黑名单分组过滤器网络入侵检测方法[J]. 陈惠娟,冯月春,赵雪青.  控制工程. 2018(10)
[6]基于连接数据分析和OSELM分类器的网络入侵检测系统[J]. 安尼瓦尔·加马力,亚森·艾则孜,木尼拉·塔里甫.  计算机应用研究. 2017(12)



本文编号：3160665