10.16208/j.issn1000-7024.2019.12.004
基于CNN-ELM的入侵检测
针对现有网络入侵检测方法在处理高维度、非线性的海量数据时检测效率低和准确率低的问题,提出一种基于卷积神经网络(CNN)和极限学习机(ELM)的组合式入侵检测方法(CNN-ELM).通过数值化映射、归一化及维度重组对原始网络数据进行预处理,利用CNN网络自动提取原始网络数据的深层特征,将ELM作为分类器对提取到的特征进行入侵检测分类.采用NSL-KDD数据集对CNN-ELM进行仿真实验,实验结果表明,与SVM、CNN及ELM方法相比,CNN-ELM能有效提高入侵检测的准确率,具有较好的泛化能力和实时性.
入侵检测、深度学习、卷积神经网络、极限学习机、支持向量机
40
TP393.08(计算技术、计算机技术)
国家自然科学基金项目61402375;赛尔网络下一代互联网技术创新基金项目NGII20170310
2020-01-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
3382-3387