基于深度序列加权核极限学习的入侵检测算法

发布时间：2021-07-22 08:22

　　针对海量多源异构且数据分布不平衡的网络入侵检测问题以及传统深度学习算法无法根据实时入侵情况在线更新其输出权重的问题,提出了一种基于深度序列加权核极限学习的入侵检测算法（DBN-WOS-KELM算法）。该算法先使用深度信念网络DBN对历史数据进行学习,完成对原始数据的特征提取和数据降维,再利用加权序列核极限学习机进行监督学习完成入侵识别,结合了深度信念网络提取抽象特征的能力以及核极限学习机的快速学习能力。最后在部分KDD99数据集上进行了仿真实验,实验结果表明DBN-WOS-KELM算法提高了对小样本攻击的识别率,并且能够根据实际情况在线更新输出权重,训练效率更高。 

【文章来源】：计算机应用研究. 2020,37(03)北大核心CSCD

【文章页数】：4 页

【部分图文】：

DBN-WOS-KELM总体框架

RBM结构模型

不同DBN深度下的检测结果

【参考文献】：
期刊论文
[1]基于深度信念网络的入侵检测模型（英文）[J]. 高妮,高岭,贺毅岳,高全力,任杰.  Journal of Southeast University（English Edition）. 2015(03)

硕士论文
[1]基于深度信念网络的入侵检测算法研究[D]. 逯玉婧.河北师范大学 2016
[2]基于深度学习的入侵检测[D]. 杨昆朋.北京交通大学 2015



本文编号：3296798