基于半监督学习和三支决策的入侵检测模型

摘要：

针对现有的入侵检测模型在未知攻击上表现不佳,且标注数据极其有限的情况,提出一种基于半监督学习(SSL)和三支决策(3WD)的入侵检测模型——SSL-3WD.SSL-3WD模型通过3WD在信息不足情况下的优秀表现来满足SSL在数据信息的充分冗余性上的假设.首先利用3WD理论对网络行为数据进行分类,而后根据分类结果选择适当的"伪标记"样本组成新的训练集以扩充原有数据集,最后重复分类过程,以得到所有对于网络行为数据的分类.在NSL-KDD数据集上,所提模型的检出率达到了97.7％,相较于对比方法中检出率最高的自适应的集成学习入侵检测模型Multi-Tree,提升了5.8个百分点;在UNSW-NB15数据集上,所提模型的准确率达到了94.7％,检出率达到了96.3％,相较于对比方法中表现最好的基于深度堆叠非对称自编码器(SNDAE)的入侵检测模型,分别提升了3.5个百分点和6.2个百分点.实验结果表明,所提SSL-3WD模型提升了对网络行为进行检测的准确率和检出率.

关键词：入侵检测、半监督学习、三支决策、未知攻击、充分冗余

所属期刊栏目：41

分类号：TP309(计算技术、计算机技术)

资助基金：江苏省研究生科研与实践创新计划项目KYCX20_3163

在线出版日期：2021-09-22（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：2602-2608