針對高維網(wǎng)絡入侵受到層次限制,入侵識別易出現(xiàn)局部極值化,導致入侵匹配時間延長的問題,提出并設計基于集成降噪自編碼的網(wǎng)絡入侵多模式匹配算法。引入降噪自編碼網(wǎng)絡,將深度學習法運用于在網(wǎng)絡入侵檢測中,構建深層網(wǎng)絡模型,根據(jù)逐層貪婪編碼模式實現(xiàn)預訓練,完成高維深層網(wǎng)絡入侵特征的自適應性提取及挖掘,通過監(jiān)督式微調解決機器學習中局部極值問題,增強網(wǎng)絡入侵檢測效果與泛化性能,實現(xiàn)網(wǎng)絡入侵初步檢測。利用多模式匹配實現(xiàn)初步識別結果的最終匹配,完成網(wǎng)絡入侵模式診斷。搭建實驗平臺對所提算法進行驗證,將網(wǎng)絡中用戶行為日志數(shù)據(jù)當作實驗數(shù)據(jù)樣本,實驗結果表明,負載均衡方差保持在0.85～1.0,匹配時間最短,訪問文本串中字符的數(shù)目增長幅度很小,證明了算法魯棒性和可實踐性很強。 

【文章來源】：廣西大學學報(自然科學版). 2020,45(03)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

自編碼網(wǎng)絡架構

利用降噪自編碼DAE(denoising auto encoder),人為地向輸入端添加噪聲解決以上問題,在實踐應用中可通過修正原始數(shù)據(jù)中部分數(shù)據(jù)缺失(masknoise),也就是任意造成輸入缺失,即置為0。將修正完成的輸入向量記作x′,那么DAE原理可表示為:訓練DAE時,輸入向量x′為帶有人為噪聲的數(shù)據(jù),重構誤差L(x,z)描述了編碼向量y對實際數(shù)據(jù)x重構能力,詳細見圖2。就此可知,DAE目標為在擾動環(huán)境下對實際數(shù)據(jù)的重構能力,因此獲取的特征具備非常好的魯棒性與泛化性能[11]。

xi=fθi(xi-1), i=1,2,…,N。 (5)通過上述方式層層堆疊獲取的模型即為棧式降噪自編碼SDAE,針對這樣的深層網(wǎng)絡實行整體訓練會使梯度消失,由此需要通過逐層貪婪原則,針對各個層次DAE實行單獨訓練,同時保障重構誤差能夠最小化。如果每層DAE編碼均可以得到相對好的重構效果,那么SDAE當作整體即可完成高維特征深度提取以及降維操作,詳細見圖3。


本文編號：3551526