入侵檢測作為一種主動防御系統(tǒng)能夠有效阻止來自黑客的多種手段的攻擊,隨著機器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展,相關(guān)技術(shù)也開始應(yīng)用到入侵檢測中。本文在KDD-Cup 1999數(shù)據(jù)集的基礎(chǔ)上,對其進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化,然后利用隨機森林對數(shù)據(jù)集處理,計算每個特征的袋外數(shù)據(jù)誤差（OOB）,得到每個特征的重要性,提取出12個重要性最高的特征,并將數(shù)據(jù)集按照7/3隨機劃分為訓(xùn)練集與測試集,使用五層深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練,三個隱藏層設(shè)置為100個節(jié)點,Re LU Leaky作為激活函數(shù),使用Adam作為優(yōu)化器,交叉熵作為代價函數(shù),對處理后的數(shù)據(jù)集訓(xùn)練。以準(zhǔn)確率（Accuracy）,精確率（Precision）,召回率（Recall）為模型的衡量指標(biāo),最終得到了精確率為94.87%,召回率為94.35%的模型。 

【文章來源】：網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2020,(10)

【文章頁數(shù)】：3 頁


本文編號：3042815