10.3969/j.issn.1671-1122.2020.04.006
基于联邦学习和卷积神经网络的入侵检测方法
目前基于深度学习的入侵检测算法是入侵检测研究领域的研究热点,但是大多数研究的重点集中在如何改进算法来提高入侵检测的准确率,而忽视了实际中单个机构所产生的有限的标签数据不足以训练出一个高准确率的深度模型的问题.文章提出一种基于联邦学习和卷积神经网络的入侵检测方法,可以通过多个参与方的数据集联合训练模型达到扩充数据量的目的.该方法利用联邦学习框架,设计了基于深度学习的入侵检测模型.首先通过数据填充进行数据维度重构,形成二维数据,然后在联邦学习的机制下利用DCNN网络进行特征提取学习,最后结合Softmax分类器训练模型进行检测.实验结果表明,该方法很大程度上减少了训练时间并保持较高的检测率.另外,与一般的入侵检测模型相比,该模型还保证了数据安全隐私.
入侵检测、联邦学习、深度学习、卷积神经网络
TP309(计算技术、计算机技术)
国家自然科学基金[61932005;黑龙江省自然科学基金[JJ2019LH1770;信息安全国家重点实验室开发课题[2019-ZD-05
2020-05-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
47-54