当前位置:主页 > 管理论文 > 移动网络论文 >

基于集成深度森林的入侵检测方法

发布时间:2024-03-10 06:20
  基于卷积神经网络(CNN)的入侵检测方法在实际应用中模型训练时间过长、超参数较多、数据需求量大。为降低计算复杂度,提高入侵检测效率,提出一种基于集成深度森林(EDF)的检测方法。在分析CNN的隐藏层结构和集成学习的Bagging集成策略的基础上构造随机森林(RF)层,对每层中RF输入随机选择的特征进行训练,拼接输出的类向量和特征向量并向下层传递迭代,持续训练直至模型收敛。在NSL-KDD数据集上的实验结果表明,与CNN算法相比,EDF算法在保证分类准确率的同时,其收敛速度可提升50%以上,证明了EDF算法的高效性和可行性。

【文章页数】:7 页

【部分图文】:

图1随机森林决策方法

图1随机森林决策方法

RF是一种Bagging集成学习方式,在分类回归领域有着广泛的应用[11]。RF通过Bagging方式生成多组决策树,从而得到不同的分类策略,然后执行判决算法(如取预测值期望),以达到综合所有分类策略、改善分类器性能的目的。图1给出RF决策方法的示意图,假设回归的输出向量长度为3....


图2DF级联模型示意图

图2DF级联模型示意图

集成深度森林利用多个RF构成一个森林层,然后通过级联形成层间连接。每一层的输出类向量为一组预测值,使用测试集判定该层模型是否满足收敛条件(如准确率、循环次数等),若不满足则将输出的类向量与初始训练数据相连接,以此作为下一层的输入[13]。深度森林(DeepForests,DF)....


图3EDF算法流程

图3EDF算法流程

本文将DF应用到入侵检测中,提出EDF算法。该算法使用2个特殊的森林构建森林层,使用Bagging集成方式扩展森林层,使用ending-to-ending的方法合并上层输入与下层输出,并将其作为新的输入数据,然后分别使用交叉验证和袋外估计方法预测每一层的输出概率,EDF学习流程如....


图4KDDtrain+和KDDtest+的数据类分布

图4KDDtrain+和KDDtest+的数据类分布

本文实验采用NLP-KDD入侵检测数据集,该数据集包含KDDtrain+、KDDtest+、KDDtrain-20percent和KDDtest-21等多组数据,其中KDDtrain+含有125793条数据,按攻击类型可分为5类,按攻击方式可分为23种,共41种特征。KDDtr....



本文编号:3924377

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/ydhl/3924377.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户d7a0e***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com