基于改进的深度信念网络的入侵检测方法

发布时间：2021-05-15 23:46

　　针对传统入侵检测方法很难快速准确地从海量无标签网络数据中提取特征信息以识别异常入侵,提出了基于改进的深度信念网络的softmax分类（IDBN-SC）入侵检测方法。利用改进的DBN对原始网络数据进行无监督特征学习,引入自适应学习速率减少训练网络模型所需要的时间;采用softmax分类器对获得的降维数据进行网络攻击类型识别。在NSL-KDD数据集上进行测试,相比其他入侵检测方法,实验结果表明IDBN-SC方法不仅识别准确率平均提高3.02%,而且其softmax分类器训练时间平均缩短5.58 s。 

【文章来源】：计算机工程与应用. 2020,56(20)北大核心CSCD

【文章页数】：6 页

【文章目录】：
1 引言
2 特征提取原理
    2.1 受限玻尔兹曼机
    2.2 深度信念网络
    2.3 自适应学习速率
3 IDBN-SC入侵检测方法
    3.1 入侵检测方法设计
    3.2 数据预处理
    3.3 softmax分类器
4 实验及结果分析
    4.1 实验环境和数据描述
    4.2 实验评价指标
    4.3 实验结果及分析
        4.3.1 IDBN网络深度实验
        4.3.2 学习速率对比实验
        4.3.3 各分类方法的检测性能对比实验
5 结束语


【参考文献】：
期刊论文
[1]基于深度序列加权核极限学习的入侵检测算法[J]. 汪洋,伍忠东,朱婧.  计算机应用研究. 2020(03)
[2]基于DBN-KELM的入侵检测算法[J]. 汪洋,伍忠东,火忠彩.  计算机工程. 2019(10)
[3]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟.  上海大学学报(自然科学版). 2018(03)
[4]基于三支决策的两阶段实体关系抽取研究[J]. 朱艳辉,李飞,胡骏飞,钱继胜,王天吉.  计算机工程与应用. 2018(09)
[5]基于深度信念网络的Android恶意应用检测方法[J]. 赵薇,王楠,苏欣,张波云.  计算机工程与应用. 2018(18)
[6]海量数据环境下用于入侵检测的深度学习方法[J]. 高妮,贺毅岳,高岭.  计算机应用研究. 2018(04)
[7]面向入侵检测系统的Deep Belief Nets模型[J]. 高妮,高岭,贺毅岳.  系统工程与电子技术. 2016(09)
[8]基于支持向量机的入侵检测系统[J]. 饶鲜,董春曦,杨绍全.  软件学报. 2003(04)



本文编号：3188554