基于集成降噪自编码的网络入侵多模式匹配算法设计

发布时间：2021-12-25 01:14

　　针对高维网络入侵受到层次限制,入侵识别易出现局部极值化,导致入侵匹配时间延长的问题,提出并设计基于集成降噪自编码的网络入侵多模式匹配算法。引入降噪自编码网络,将深度学习法运用于在网络入侵检测中,构建深层网络模型,根据逐层贪婪编码模式实现预训练,完成高维深层网络入侵特征的自适应性提取及挖掘,通过监督式微调解决机器学习中局部极值问题,增强网络入侵检测效果与泛化性能,实现网络入侵初步检测。利用多模式匹配实现初步识别结果的最终匹配,完成网络入侵模式诊断。搭建实验平台对所提算法进行验证,将网络中用户行为日志数据当作实验数据样本,实验结果表明,负载均衡方差保持在0.85～1.0,匹配时间最短,访问文本串中字符的数目增长幅度很小,证明了算法鲁棒性和可实践性很强。 

【文章来源】：广西大学学报(自然科学版). 2020,45(03)北大核心

【文章页数】：8 页

【部分图文】：

自编码网络架构

利用降噪自编码DAE(denoising auto encoder),人为地向输入端添加噪声解决以上问题,在实践应用中可通过修正原始数据中部分数据缺失(masknoise),也就是任意造成输入缺失,即置为0。将修正完成的输入向量记作x′,那么DAE原理可表示为:训练DAE时,输入向量x′为带有人为噪声的数据,重构误差L(x,z)描述了编码向量y对实际数据x重构能力,详细见图2。就此可知,DAE目标为在扰动环境下对实际数据的重构能力,因此获取的特征具备非常好的鲁棒性与泛化性能[11]。

xi=fθi(xi-1), i=1,2,…,N。 (5)通过上述方式层层堆叠获取的模型即为栈式降噪自编码SDAE,针对这样的深层网络实行整体训练会使梯度消失,由此需要通过逐层贪婪原则,针对各个层次DAE实行单独训练,同时保障重构误差能够最小化。如果每层DAE编码均可以得到相对好的重构效果,那么SDAE当作整体即可完成高维特征深度提取以及降维操作,详细见图3。


本文编号：3551526