10.3969/j.issn.1001-506X.2016.09.33
面向入侵检测系统的 Deep Belief Nets 模型
连续的网络流量会导致海量数据问题,这为入侵检测提出了新的挑战。为此,提出一种面向入侵检测系统的深度信念网络(deep belief nets oriented to the intrusion detection system,DBN-IDS)模型。首先,通过无监督的、贪婪的算法自底向上逐层训练每一个受限玻尔兹曼机(restricted Boltzmann machine,RBM)网络,使得大量高维、非线性的无标签数据映射为最优的低维表示;然后利用带标签数据被附加到顶层,通过反向传播(back propagation, BP)算法自顶向下有监督地对 RBM 网络输出的低维表示进行分类,并同时对 RBM 网络进行微调;最后,利用 NSL-KDD 数据集对模型参数和性能进行了深入的分析。实验结果表明,DBN-IDS 分类效果优于支持向量机(support vector machine,SVM)和神经网络(neural network,NN),适用于高维、非线性的海量入侵数据的分类处理。
入侵检测、神经网络、深度信念网络
38
TP393(计算技术、计算机技术)
国家自然科学基金61373176,61572401资助课题
2016-09-27(万方平台首次上网日期,不代表论文的发表时间)
共7页
2201-2207