改进逆向习得推理的网络异常行为检测模型

发布时间：2022-01-10 04:31

　　针对网络异常行为检测中数据不平衡导致召回率低的问题,提出一种改进逆向习得推理（ALI）的网络异常行为检测模型。首先,使用仅由正样本所构成的数据对改进的ALI模型进行训练,通过已训练的改进的ALI模型处理检测数据,生成处理后的检测数据集;然后,使用异常检测函数计算处理后的检测数据与检测数据的距离以判断是否异常。在KDD99数据集上与AnoGAN等常用模型进行对比实验,实验结果表明,所设计模型在数据不平衡时具有较高的召回率,相比AnoGAN,召回率提升16%。 

【文章来源】：现代电子技术. 2020,43(18)北大核心

【文章页数】：5 页

【部分图文】：

ALI模型图

网络异常行为检测模型

式中：假设数据集有m个属性；xaj和xbj分别表示D＿test＿fin中的记录xa与D＿test中的记录xb对应的第j个属性值。本文认为拥有较大检测结果值的样本异常可能性大。在ALI模型中，推理网络的训练只是简单地将输入复制到输出，虽保留了原始数据的特征，并不能确保隐变量获得有用的特征表示。为了增强推理网络与生成网络的训练效率，本文考虑首先通过引入一个损坏过程C(x′|x)，得到受损数据作为ALI模型的输入，然后在ALI模型的隐含层填加一些约束，让这些约束使模型对输入数据中有用的特征优先学习，使模型可以学习到能更好表达样本的特征。

【参考文献】：
期刊论文
[1]粗糙集属性约简的极限学习机网络入侵检测算法[J]. 周棒棒,魏书宁,唐勇,马天雨,陈远毅.  传感器与微系统. 2019(01)
[2]一种基于集成学习的入侵检测算法[J]. 黄金超,马颖华,齐开悦,李怡晨,夏元轶.  上海交通大学学报. 2018(10)
[3]一种改进的基于TS-BPNN的网络入侵检测方法[J]. 周丽娟.  陕西理工大学学报(自然科学版). 2018(05)
[4]基于人工蜂群优化的密度聚类异常入侵检测算法[J]. 任维武,张波辰,底晓强,卢奕南.  吉林大学学报(理学版). 2018(01)
[5]基于卷积神经网络的入侵检测算法[J]. 贾凡,孔令智.  北京理工大学学报. 2017(12)
[6]基于卷积神经网络的网络入侵检测系统[J]. 王明,李剑.  信息安全研究. 2017(11)
[7]基于PCA的SVM网络入侵检测研究[J]. 戚名钰,刘铭,傅彦铭.  信息网络安全. 2015(02)



本文编号：3580056