基于随机森林和深度自编码高斯混合模型的无监督入侵检测方法

• 作者: 方兰婷 秦中元 胡宁
• 来源期刊: 网络空间安全
• 学科: 工学
• 关键词: 随机森林 特征选择 深度自动编码器 高斯混合模型
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 网络与系统安全
• 页码范围: 40-44,50
• 页数: 6页
• 分类号: TN915.08
• 字数: 3707字
• 语种: 中文

摘要

文章针对异常检测中的网络数据量大、特征维数高、传统机器学习算法对数据标签依赖性高等问题,提出一种基于随机森林和深度自编码高斯混合模型的无监督入侵检测方法RF-DAGMM.该方法重点在于使用随机森林算法进行特征选择,一方面更加注重对结果重要的特征,另一方面消除无关特征对检测结果的干扰,经特征选择后的数据输入深度自编码高斯混合模型中,从而获得更好的结果.本文分别基于KDD99、UNSW-NB15、CICIDS2017数据集进行实验,实验结果表明,RF-DAGMM在多个指标上的结果得到提升,同时减少训练时长和计算成本.