基于随机森林和深度自编码高斯混合模型的无监督入侵检测方法

发布时间：2021-10-24 00:39

　　文章针对异常检测中的网络数据量大、特征维数高、传统机器学习算法对数据标签依赖性高等问题,提出一种基于随机森林和深度自编码高斯混合模型的无监督入侵检测方法RF-DAGMM。该方法重点在于使用随机森林算法进行特征选择,一方面更加注重对结果重要的特征,另一方面消除无关特征对检测结果的干扰,经特征选择后的数据输入深度自编码高斯混合模型中,从而获得更好的结果。本文分别基于KDD99、UNSW-NB15、CICIDS2017数据集进行实验,实验结果表明,RF-DAGMM在多个指标上的结果得到提升,同时减少训练时长和计算成本。 

【文章来源】：网络空间安全. 2020,11(08)

【文章页数】：6 页

【部分图文】：

RF-DAGMM模型图

【参考文献】：
期刊论文
[1]基于随机森林的学生画像特征选择方法[J]. 杨长春,徐筱,宦娟,田迎春,经德林.  计算机工程与设计. 2019(10)
[2]基于机器学习技术的网络安全防护[J]. 刘金鹏.  网络空间安全. 2018(09)

硕士论文
[1]基于深度学习的网络流量入侵检测研究[D]. 纪书鉴.中国科学院大学(中国科学院深圳先进技术研究院) 2020



本文编号：3454229