基于集成深度森林的入侵检测方法

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.

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

所属期刊栏目：46

分类号：TP393(计算技术、计算机技术)

资助基金：甘肃省高等学校协同创新团队项目;兰州市科技计划项目

在线出版日期：2020-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：144-150