10.16337/j.1004-9037.2020.05.016
基于Fisher-PCA和深度学习的入侵检测方法研究
为了在攻击形式多样化、入侵数据海量及多维化的环境中快速、准确地识别网络攻击,提出了一种融合Fisher-PCA特征提取与深度学习的入侵检测算法.通过Fisher特征选择算法选出重要的特征组成特征子集,然后基于主成分分析法(Principal component analysis,PCA)将特征子集进行降维,提取出了分类能力强的特征集.构建了一种新的深度神经网络(Deep neural networks,DNN)模型对网络攻击数据和正常数据进行识别与分类.在KDD99数据集上进行实验,结果表明:与传统的人工神经网络(Artificial neural network,ANN)和支持向量机(Support vector machine,SVM)算法相比,这种入侵检测算法的准确率分别提高了12.63%和6.77%,误报率由原来的2.31%和1.96%降为0.28%;与DBN4和PCA-CNN算法相比,在准确率和检测率保持基本相同的同时有着更低的误报率.
深度学习、入侵检测、特征提取、主成分分析、KDD99
35
TP393.0(计算技术、计算机技术)
浙江省重点研发2020C01076
2020-10-27(万方平台首次上网日期,不代表论文的发表时间)
共9页
956-964