發(fā)布時(shí)間：2022-01-10 04:31

　　針對(duì)網(wǎng)絡(luò)異常行為檢測(cè)中數(shù)據(jù)不平衡導(dǎo)致召回率低的問題,提出一種改進(jìn)逆向習(xí)得推理（ALI）的網(wǎng)絡(luò)異常行為檢測(cè)模型。首先,使用僅由正樣本所構(gòu)成的數(shù)據(jù)對(duì)改進(jìn)的ALI模型進(jìn)行訓(xùn)練,通過已訓(xùn)練的改進(jìn)的ALI模型處理檢測(cè)數(shù)據(jù),生成處理后的檢測(cè)數(shù)據(jù)集;然后,使用異常檢測(cè)函數(shù)計(jì)算處理后的檢測(cè)數(shù)據(jù)與檢測(cè)數(shù)據(jù)的距離以判斷是否異常。在KDD99數(shù)據(jù)集上與AnoGAN等常用模型進(jìn)行對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,所設(shè)計(jì)模型在數(shù)據(jù)不平衡時(shí)具有較高的召回率,相比AnoGAN,召回率提升16%。 

【文章來源】：現(xiàn)代電子技術(shù). 2020,43(18)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

ALI模型圖

網(wǎng)絡(luò)異常行為檢測(cè)模型

式中：假設(shè)數(shù)據(jù)集有m個(gè)屬性；xaj和xbj分別表示D＿test＿fin中的記錄xa與D＿test中的記錄xb對(duì)應(yīng)的第j個(gè)屬性值。本文認(rèn)為擁有較大檢測(cè)結(jié)果值的樣本異常可能性大。在ALI模型中，推理網(wǎng)絡(luò)的訓(xùn)練只是簡(jiǎn)單地將輸入復(fù)制到輸出，雖保留了原始數(shù)據(jù)的特征，并不能確保隱變量獲得有用的特征表示。為了增強(qiáng)推理網(wǎng)絡(luò)與生成網(wǎng)絡(luò)的訓(xùn)練效率，本文考慮首先通過引入一個(gè)損壞過程C(x′|x)，得到受損數(shù)據(jù)作為ALI模型的輸入，然后在ALI模型的隱含層填加一些約束，讓這些約束使模型對(duì)輸入數(shù)據(jù)中有用的特征優(yōu)先學(xué)習(xí)，使模型可以學(xué)習(xí)到能更好表達(dá)樣本的特征。

【參考文獻(xiàn)】：
期刊論文
[1]粗糙集屬性約簡(jiǎn)的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)入侵檢測(cè)算法[J]. 周棒棒,魏書寧,唐勇,馬天雨,陳遠(yuǎn)毅.  傳感器與微系統(tǒng). 2019(01)
[2]一種基于集成學(xué)習(xí)的入侵檢測(cè)算法[J]. 黃金超,馬穎華,齊開悅,李怡晨,夏元軼.  上海交通大學(xué)學(xué)報(bào). 2018(10)
[3]一種改進(jìn)的基于TS-BPNN的網(wǎng)絡(luò)入侵檢測(cè)方法[J]. 周麗娟.  陜西理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[4]基于人工蜂群優(yōu)化的密度聚類異常入侵檢測(cè)算法[J]. 任維武,張波辰,底曉強(qiáng),盧奕南.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2018(01)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法[J]. 賈凡,孔令智.  北京理工大學(xué)學(xué)報(bào). 2017(12)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J]. 王明,李劍.  信息安全研究. 2017(11)
[7]基于PCA的SVM網(wǎng)絡(luò)入侵檢測(cè)研究[J]. 戚名鈺,劉銘,傅彥銘.  信息網(wǎng)絡(luò)安全. 2015(02)



本文編號(hào)：3580056