深度学习模型下多分类器的入侵检测方法

• 作者: 万广雪 肖成龙 肖振久 陈建虎 陈虹
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 入侵检测 深度学习 反向传播神经网络 梯度提升树
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 网络与信息安全
• 页码范围: 1124-1134
• 页数: 11页
• 分类号: TP393.08
• 字数: 7959字
• 语种: 中文

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(deep belief 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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	肖成龙	辽宁工程技术大学软件学院	28	75	4.0	8.0
2	陈虹	辽宁工程技术大学软件学院	35	293	10.0	16.0
3	肖振久	辽宁工程技术大学软件学院	29	254	9.0	14.0
4	陈建虎	辽宁工程技术大学软件学院	4	14	2.0	3.0
5	万广雪	辽宁工程技术大学软件学院	2	40	2.0	2.0