針對(duì)傳統(tǒng)入侵檢測(cè)算法檢測(cè)精度低、誤報(bào)率高等問題,提出了一種融合批量規(guī)范化和深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)模型;該模型首先在深度神經(jīng)網(wǎng)絡(luò)隱藏層添加批量規(guī)范化層,優(yōu)化隱藏層的輸出結(jié)果,然后采用Adam自適應(yīng)梯度下降優(yōu)化算法對(duì)BNDNN參數(shù)進(jìn)行自動(dòng)優(yōu)化,提高模型檢測(cè)能力;并使用NSL-KDD數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明該模型的檢測(cè)效果優(yōu)于SNN、KNN、DNN等檢測(cè)方法;整體檢測(cè)率可達(dá)99.41%,整體誤報(bào)率為0.59%,證明了模型的可行性。 

【文章來源】：計(jì)算機(jī)測(cè)量與控制. 2020,28(02)

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 DNN概述
    1.1 He初始化權(quán)值
    1.2 ReLU和Softmax激活函數(shù)
    1.3 Mini-batch梯度下降
2 模型設(shè)計(jì)
    2.1 Adam-BNDNN的檢測(cè)模型
    2.2 BN批量規(guī)范化優(yōu)化
    2.3 Adam梯度下降優(yōu)化
    2.4 L2正則化
3 數(shù)據(jù)集選取和處理
    3.1 實(shí)驗(yàn)數(shù)據(jù)集選取
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 特征提取
        3.2.2 數(shù)值化
        3.2.3 歸一化
    3.3 訓(xùn)練集和測(cè)試集的劃分
4 實(shí)驗(yàn)與對(duì)比分析
    4.1 實(shí)驗(yàn)參數(shù)選取
    4.2 實(shí)驗(yàn)結(jié)果及分析
5 總結(jié)


【參考文獻(xiàn)】：
期刊論文
[1]基于自編碼器和極限學(xué)習(xí)機(jī)的工業(yè)控制網(wǎng)絡(luò)入侵檢測(cè)算法[J]. 李熠,李永忠.  南京理工大學(xué)學(xué)報(bào). 2019(04)
[2]基于信息增益與主成分分析的網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 王旭仁,馬慧珍,馮安然,許祎娜.  計(jì)算機(jī)工程. 2019(06)
[3]基于獨(dú)熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)[J]. 梁杰,陳嘉豪,張雪芹,周悅,林家駿.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(07)
[4]關(guān)于深度學(xué)習(xí)的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學(xué)工.  智能系統(tǒng)學(xué)報(bào). 2019(01)
[5]利用SSO的自適應(yīng)黑名單分組過濾器網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 陳惠娟,馮月春,趙雪青.  控制工程. 2018(10)
[6]基于連接數(shù)據(jù)分析和OSELM分類器的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J]. 安尼瓦爾·加馬力,亞森·艾則孜,木尼拉·塔里甫.  計(jì)算機(jī)應(yīng)用研究. 2017(12)



本文編號(hào)：3160665