10.16526/j.cnki.11-4762/tp.2020.02.012
基于Adam-BNDNN的网络入侵检测模型
针对传统入侵检测算法检测精度低、误报率高等问题,提出了一种融合批量规范化和深度神经网络的网络入侵检测模型;该模型首先在深度神经网络隐藏层添加批量规范化层,优化隐藏层的输出结果,然后采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,提高模型检测能力;并使用NSL-KDD数据集进行仿真实验,结果表明该模型的检测效果优于SNN、KNN、DNN等检测方法;整体检测率可达99.41%,整体误报率为0.59%,证明了模型的可行性.
入侵检测、深度神经网络、批量规范化、NSL数据集
28
TP393.0(计算技术、计算机技术)
国防基础科研计划项目;四川省教育厅;四川省教育厅;四川省组织部
2020-05-29(万方平台首次上网日期,不代表论文的发表时间)
共6页
58-62,81