基于灰狼算法的深度信念网络入侵检测方法

发布时间：2021-08-11 07:25

　　针对传统入侵检测方法在检测效果上存在检测率低、误报率高等问题,将深度信念网络应用于入侵检测中,提出一种基于灰狼算法（GWO）的深度信念网络（DBN）入侵检测方法。对NSL-KDD进行预处理提高其鲁棒性,搭建深度信念网络检测模型,引入灰狼算法对其隐含层节点数进行全局寻优,近似得到DBN最佳网络结构,利用所得数据集进行验证分析。实验结果表明,与几种常用的入侵检测算法相比,经过灰狼算法优化后的深度信念网络提高了入侵检测的检测率,降低了误报率,为入侵检测提供了新的依据。 

【文章来源】：计算机工程与设计. 2020,41(06)北大核心

【文章页数】：6 页

【部分图文】：

误报率对比

RBN网络结构

灰狼等级金字塔结构

【参考文献】：
期刊论文
[1]基于受限玻尔兹曼机的CSI指纹室内定位方法[J]. 党小超,唐续豪,郝占军.  计算机工程与设计. 2019(05)
[2]基于灰狼算法的主题爬虫[J]. 萧婧婕,陈志云.  计算机科学. 2018(S2)
[3]改进的深度信念网络预测模型及其应用[J]. 邵双双,刘丽冰,谭志洪,孙世荣,王梦雅.  计算机应用. 2018(S1)
[4]深度神经网络训练中梯度不稳定现象研究综述[J]. 陈建廷,向阳.  软件学报. 2018(07)
[5]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇.  计算机技术与发展. 2018(04)
[6]一种基于深度网络的多环境因素降水量预报模型[J]. 张鹏程,张雷,王继民.  计算机应用与软件. 2017(09)
[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]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟.  工程数学学报. 2015(02)



本文编号：3335740