| 深度学习模型下多分类器的入侵检测方法 |
| |
| 引用本文： | 陈虹,陈建虎,肖成龙,万广雪,肖振久.深度学习模型下多分类器的入侵检测方法[J].计算机科学与探索,2019,13(7):1123-1133. |
| |
| 作者姓名： | 陈虹 陈建虎 肖成龙 万广雪 肖振久 |
| |
| 作者单位： | 辽宁工程技术大学 软件学院,辽宁 葫芦岛,125105;辽宁工程技术大学 软件学院,辽宁 葫芦岛,125105;辽宁工程技术大学 软件学院,辽宁 葫芦岛,125105;辽宁工程技术大学 软件学院,辽宁 葫芦岛,125105;辽宁工程技术大学 软件学院,辽宁 葫芦岛,125105 |
| |
| 基金项目： | The National Natural Science Foundation of China under Grant |
| |
| 摘 要： | 针对海量数据环境下,传统智能化入侵检测方法检测性能较差的问题,提出了一种深度信念网络(deep belief networks,DBN)下一对一(one-versus-one)梯度提升树(gradient boosting decision tree,GBDT)的多分类器入侵检测方法(DBN-OGB)。该方法首先利用深度信念网络从高维、复杂的入侵检测数据中提取出低维、具有代表性的特征数据;然后利用一对一法,在任意两类特征数据之间构建一个梯度提升树分类器;接着利用各个分类器对未知网络攻击进行识别,得票最多的类别即为该攻击的类别;最后利用NSL-KDD数据集进行仿真实验。实验结果显示DBN-OGB方法的平均准确率和检测率都高于99%,相较于DBN-MSVM(deepbelief nets based multi-class support vector machine)方法其准确率和检测率分别提升0.56%和1.03%,表明DBN-OGB是一种有效、可行的入侵检测方法,且提高了对海量入侵数据的检测性能。
|
| 关 键 词： | 入侵检测 深度学习 反向传播神经网络 梯度提升树 |
Intrusion Detection Method of Multiple Classifiers Under Deep Learning Model |
| |
| CHEN Hong,CHEN Jianhu,XIAO Chenglong,WAN Guangxue,XIAO Zhenjiu.Intrusion Detection Method of Multiple Classifiers Under Deep Learning Model[J].Journal of Frontier of Computer Science and Technology,2019,13(7):1123-1133. |
| |
| Authors: | CHEN Hong CHEN Jianhu XIAO Chenglong WAN Guangxue XIAO Zhenjiu |
| |
| Affiliation: | (College of Software,Liaoning Technical University,Huludao,Liaoning 125105,China) |
| |
| Abstract: | CHEN Hong;CHEN Jianhu;XIAO Chenglong;WAN Guangxue;XIAO Zhenjiu(College of Software,Liaoning Technical University,Huludao,Liaoning 125105,China) |
| |
| Keywords: | intrusion detection deep learning back propagation neural network gradient boosting decision tree |
| 本文献已被 维普 万方数据 等数据库收录！ |
|
