基于深度迁移学习的网络入侵检测

• 作者: 卢明星 季泽旭 杜国真
• 来源期刊: 计算机应用研究
• 关键词: 深度自编码器 迁移学习 入侵检测 嵌入层 标签层
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 信息安全技术
• 页码范围: 2811-2814
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.05.0147

摘要

为解决网络入侵检测问题,提高检测准确率和降低误报率,提出一种基于深度迁移学习的网络入侵检测方法,该方法使用非监督学习的深度自编码器来进行迁移学习,实现网络的入侵检测.首先对深度迁移学习问题进行建模,然后对深度模型进行迁移学习.迁移学习框架由嵌入层和标签层实现编/解码,编码和解码权重由源域和目标域共享,用于知识的迁移.嵌入层中,通过最小化域之间的嵌入实例的KL散度来强制源域和目标域数据的分布相似;在标签编码层中,使用softmax回归模型对源域的标签信息进行编码分类.实验结果表明,该方法能够实现网络入侵检测,且性能优于其他入侵检测方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	卢明星		1	0	0.0	0.0
2	杜国真		1	0	0.0	0.0
3	季泽旭		2	0	0.0	0.0