10.19678/j.issn.1000-3428.0052314
基于DBN-KELM的入侵检测算法
传统机器学习算法需要人工构建样本特征,处理海量多源异构网络入侵数据时分类效果较差.针对该问题,结合深度信念网络(DBN)和核极限学习机(KELM),提出一种混合深度学习入侵检测算法DBN-KELM.利用DBN提取高维网络历史数据的抽象特征,获得原始数据的低维表示形式.在此基础上,通过KELM对低维表示的数据做监督学习,达到准确识别网络攻击的目的.在NSL-KDD数据集上进行仿真,实验结果表明,DBN-KELM算法能够提高分类准确率,降低对小样本攻击的误报率,同时缩短分类器的训练时间.
深度学习、深度信念网络、特征提取、核极限学习机、入侵检测
45
TP393(计算技术、计算机技术)
甘肃省高等学校创新团队项目2017C-09;兰州市科技局科技项目2018-1-51
2019-11-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
171-175,182