基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
针对现有的入侵检测方法在检测准确率和误报率方面存在的不足,提出了一种多通道自编码器深度学习的入侵检测方法.该方法分为无监督学习和有监督学习两个阶段:首先分别采用正常流量和攻击流量训练两个独立的自编码器,其重构的两个新特征向量与原始样本共同组成多通道特征向量表示;然后利用一维卷积神经网络(CNN)对多通道特征向量表示进行处理,学习通道之间可能的依赖关系,用于更好地区分正常流量和攻击流量之间的差异.该方法将无监督的多通道特征学习和有监督的跨通道特征依赖学习有机地结合起来,用于训练灵活有效的入侵检测模型,达到极大地提高模型检测准确率的目的.同时,为了优化CNN的超参数并提高网络对通道间依赖关系的辨识效果,利用遗传算法自动寻找CNN模型的最优拓扑集合.实验结果表明,该方法在多个数据集中获得了良好的结果,比其他入侵检测算法具有更好的预测准确性.
推荐文章
基于去噪卷积自编码器的色织 衬衫裁片缺陷检测
色织衬衫裁片
缺陷检测
卷积自编码器
图像重构
基于深度迁移学习的网络入侵检测
深度自编码器
迁移学习
入侵检测
嵌入层
标签层
基于自编码器的深度对抗哈希方法在覆冰电网图像检索中的应用
覆冰图像
图像检索
哈希编码
生成对抗网络
长尾柯西分布
基于深度自编码的局部增强属性网络表示学习
网络表示
深度自编码器
属性网络
局部增强网络表示
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 多通道自编码器深度学习的入侵检测方法
来源期刊 计算机科学与探索 学科 工学
关键词 入侵检测 自编码器 深度学习 多通道 遗传算法(GA)
年,卷(期) 2020,(12) 所属期刊栏目 网络与信息安全
研究方向 页码范围 2050-2060
页数 11页 分类号 TP393
字数 语种 中文
DOI 10.3778/j.issn.1673-9418.2007023
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 杨杰 59 171 7.0 11.0
2 唐亚纯 12 33 3.0 5.0
3 谭道军 16 7 2.0 2.0
4 刘小兵 9 10 2.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (18)
共引文献  (4)
参考文献  (7)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(1)
  • 参考文献(0)
  • 二级参考文献(1)
2011(2)
  • 参考文献(0)
  • 二级参考文献(2)
2012(1)
  • 参考文献(0)
  • 二级参考文献(1)
2014(2)
  • 参考文献(0)
  • 二级参考文献(2)
2017(2)
  • 参考文献(0)
  • 二级参考文献(2)
2018(2)
  • 参考文献(1)
  • 二级参考文献(1)
2019(7)
  • 参考文献(5)
  • 二级参考文献(2)
2020(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(1)
  • 参考文献(1)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
入侵检测
自编码器
深度学习
多通道
遗传算法(GA)
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与探索
月刊
1673-9418
11-5602/TP
大16开
北京市海淀区北四环中路211号北京619信箱26分箱
82-560
2007
chi
出版文献量(篇)
2215
总下载数(次)
4
总被引数(次)
10748
论文1v1指导