發(fā)布時間：2021-12-25 01:14

　　針對高維網(wǎng)絡(luò)入侵受到層次限制,入侵識別易出現(xiàn)局部極值化,導(dǎo)致入侵匹配時間延長的問題,提出并設(shè)計(jì)基于集成降噪自編碼的網(wǎng)絡(luò)入侵多模式匹配算法。引入降噪自編碼網(wǎng)絡(luò),將深度學(xué)習(xí)法運(yùn)用于在網(wǎng)絡(luò)入侵檢測中,構(gòu)建深層網(wǎng)絡(luò)模型,根據(jù)逐層貪婪編碼模式實(shí)現(xiàn)預(yù)訓(xùn)練,完成高維深層網(wǎng)絡(luò)入侵特征的自適應(yīng)性提取及挖掘,通過監(jiān)督式微調(diào)解決機(jī)器學(xué)習(xí)中局部極值問題,增強(qiáng)網(wǎng)絡(luò)入侵檢測效果與泛化性能,實(shí)現(xiàn)網(wǎng)絡(luò)入侵初步檢測。利用多模式匹配實(shí)現(xiàn)初步識別結(jié)果的最終匹配,完成網(wǎng)絡(luò)入侵模式診斷。搭建實(shí)驗(yàn)平臺對所提算法進(jìn)行驗(yàn)證,將網(wǎng)絡(luò)中用戶行為日志數(shù)據(jù)當(dāng)作實(shí)驗(yàn)數(shù)據(jù)樣本,實(shí)驗(yàn)結(jié)果表明,負(fù)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(shí)踐性很強(qiáng)。 

【文章來源】：廣西大學(xué)學(xué)報(bào)(自然科學(xué)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(luò)架構(gòu)

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(shí)踐應(yīng)用中可通過修正原始數(shù)據(jù)中部分?jǐn)?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(xùn)練DAE時,輸入向量x′為帶有人為噪聲的數(shù)據(jù),重構(gòu)誤差L(x,z)描述了編碼向量y對實(shí)際數(shù)據(jù)x重構(gòu)能力,詳細(xì)見圖2。就此可知,DAE目標(biāo)為在擾動環(huán)境下對實(shí)際數(shù)據(jù)的重構(gòu)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(luò)實(shí)行整體訓(xùn)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(shí)行單獨(dú)訓(xùn)練,同時保障重構(gòu)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(gòu)效果,那么SDAE當(dāng)作整體即可完成高維特征深度提取以及降維操作,詳細(xì)見圖3。


本文編號：3551526