基于AE-BNDNN模型的入侵检测方法

发布时间：2021-05-18 22:26

　　基于深度学习的网络入侵检测系统中大量的冗余数据特征会加大模型的训练时间并降低训练效果,针对此问题,提出了AE-BNDNN入侵检测模型.首先利用自编码器网络（Auto-Encoder,AE）对入侵检测数据进行特征降维,去除冗余特征,而后在深度神经网络隐藏层添加批量规范化层,作为训练入侵检测数据特征降维后的分类器,最后采用多层网格搜索算法对AEBNDNN模型参数进行自动优化,寻找模型的最优参数.在NSL-KDD数据集上的实验结果表明,采用多层网格搜索算法优化的AE-BNDNN模型取得了较高的分类准确率和训练速度. 

【文章来源】：小型微型计算机系统. 2019,40(08)北大核心CSCD

【文章页数】：5 页

【文章目录】：
1 引言
2 相关研究
3 AE-BNDNN入侵检测模型的设计
    3.1 设计思路和模型总体框架
    3.2 基于自编码器的特征降维
    3.3 批量规范化层的深度神经网络结构
    3.4 检测模型的超参数优化
4 实验及结果分析
    4.1 实验数据和实验环境
    4.2 数据预处理
    4.3 实验评价标准
    4.4 实验对比与分析
        4.4.1 训练轮次对模型的影响
        4.4.2 自编码器压缩维度对模型的影响
        4.4.3 添加批量规范化层对模型的影响
        4.4.4 多层网格搜索优化超参数对模型的影响
        4.4.5 与其他方法对比
        4.4.6 模型平均建模时间
5 结论



本文编号：3194589