基于深度序列加权核极限学习的入侵检测算法

• 作者: 伍忠东 朱婧 汪洋
• 来源期刊: 计算机应用研究
• 关键词: 深度信念网络 序列学习 核极限学习 样本加权 入侵检测
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 信息安全技术
• 页码范围: 829-832
• 页数: 4页
• 分类号: TP393.08
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.08.0653

摘要

针对海量多源异构且数据分布不平衡的网络入侵检测问题以及传统深度学习算法无法根据实时入侵情况在线更新其输出权重的问题,提出了一种基于深度序列加权核极限学习的入侵检测算法(DBN-WOS-KELM算法).该算法先使用深度信念网络DBN对历史数据进行学习,完成对原始数据的特征提取和数据降维,再利用加权序列核极限学习机进行监督学习完成入侵识别,结合了深度信念网络提取抽象特征的能力以及核极限学习机的快速学习能力.最后在部分KDD99数据集上进行了仿真实验,实验结果表明DBN-WOS-KELM算法提高了对小样本攻击的识别率,并且能够根据实际情况在线更新输出权重,训练效率更高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	汪洋	兰州交通大学电子与信息工程学院	21	121	8.0	10.0
2	伍忠东	兰州交通大学电子与信息工程学院	32	256	6.0	15.0
3	朱婧	兰州交通大学电子与信息工程学院	3	1	1.0	1.0