深度学习模型下多分类器的入侵检测方法

摘要：

针对海量数据环境下,传统智能化入侵检测方法检测性能较差的问题,提出了一种深度信念网络(deep belief networks,DBN)下一对一(one-versus-one)梯度提升树(gradient boosting decision tree,GBDT)的多分类器入侵检测方法(DBN-OGB).该方法首先利用深度信念网络从高维、复杂的入侵检测数据中提取出低维、具有代表性的特征数据;然后利用一对一法,在任意两类特征数据之间构建一个梯度提升树分类器;接着利用各个分类器对未知网络攻击进行识别,得票最多的类别即为该攻击的类别;最后利用NSL-KDD数据集进行仿真实验.实验结果显示DBN-OGB方法的平均准确率和检测率都高于99%,相较于DBN-MSVM(deep belief nets based multi-class support vector machine)方法其准确率和检测率分别提升0.56%和1.03%,表明DBN-OGB是一种有效、可行的入侵检测方法,且提高了对海量入侵数据的检测性能.

关键词：入侵检测、深度学习、反向传播神经网络、梯度提升树

所属期刊栏目：13

分类号：TP393.08(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No. 61404069

在线出版日期：2019-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1124-1134