基于集成深度森林的入侵检测方法

• 作者: 丁龙斌 伍忠东 苏佳丽
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 入侵检测 卷积神经网络 深度学习 随机森林 深度森林
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 网络空间安全
• 页码范围: 144-150
• 页数: 7页
• 分类号: TP393
• 字数: 5386字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0053018

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	伍忠东	兰州交通大学电子与信息工程学院	32	256	6.0	15.0
2	丁龙斌	兰州交通大学电子与信息工程学院	5	2	1.0	1.0
3	苏佳丽	兰州交通大学电子与信息工程学院	3	2	1.0	1.0