針對(duì)現(xiàn)有入侵檢測(cè)系統(tǒng)（Intrusion Detection System,IDS）檢測(cè)方法準(zhǔn)確率低,泛化能力弱,收斂速度慢,易陷入局部最優(yōu)等問題,提出基于PCA（Principal Component Analysis）和多層感知機(jī)神經(jīng)網(wǎng)絡(luò)（MLP）的入侵檢測(cè)模型。該模型首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和降維,然后使用該P(yáng)CA-MLP模型進(jìn)行訓(xùn)練并使用測(cè)試集測(cè)試模型的準(zhǔn)確率,最后優(yōu)化分類器的性能。實(shí)驗(yàn)表明,該模型可以提高入侵檢測(cè)系統(tǒng)的準(zhǔn)確率,具有很強(qiáng)的泛化能力。 

【文章來源】：軟件工程. 2020,23(07)

【文章頁數(shù)】：4 頁

【文章目錄】：
1 引言（Introduction）
2 主成分分析（Principal component analysis）
3 多層感知機(jī)神經(jīng)網(wǎng)絡(luò)（Multilayer perceptron neural network）
4 基于主成分分析和多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型（Intrusion detection model based on principal component analysis and multilayer perceptron neural network）
5 實(shí)驗(yàn)結(jié)果與分析（Experimental results and analysis）
    5.1 實(shí)驗(yàn)數(shù)據(jù)集
    5.2 實(shí)驗(yàn)過程
    5.3 優(yōu)化實(shí)驗(yàn)結(jié)果
6 結(jié)論（Conclusion）


【參考文獻(xiàn)】：
期刊論文
[1]基于主成分分析和概率神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法[J]. 趙廣振,張翠肖,武輝林,高婧,李旋.  石家莊鐵道大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[2]基于PCA和ELM的網(wǎng)絡(luò)入侵檢測(cè)技術(shù)[J]. 黃思慧,陳萬忠,李晶.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(05)
[3]基于主成分分析法的入侵檢測(cè)特征選擇方法[J]. 劉婷,劉曉潔,岳未然.  網(wǎng)絡(luò)新媒體技術(shù). 2017(02)
[4]PCA-BP神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 梁辰,李成海,周來恩.  空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(06)
[5]基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 戴遠(yuǎn)飛,陳星,陳宏,葉靚,林俊鑫,郭文忠.  計(jì)算機(jī)應(yīng)用研究. 2017(08)
[6]基于PCA的PSO-BP入侵檢測(cè)研究[J]. 劉珊珊,謝曉堯,景鳳宣,徐洋,張帥,汪自旺.  計(jì)算機(jī)應(yīng)用研究. 2016(09)
[7]一種基于特征選擇的入侵檢測(cè)方法[J]. 崔亞芬,解男男.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2015(01)
[8]基于改進(jìn)樸素貝葉斯算法的入侵檢測(cè)系統(tǒng)[J]. 王輝,陳泓予,劉淑芬.  計(jì)算機(jī)科學(xué). 2014(04)



本文編號(hào)：3052097