針對(duì)網(wǎng)絡(luò)數(shù)據(jù)特征維度高、現(xiàn)有的入侵檢測(cè)方法準(zhǔn)確率低的問(wèn)題,該文提出了一種基于主成分分析(PCA)和循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的入侵檢測(cè)方法PCA-RNN。該方法先對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理,通過(guò)主成分分析法對(duì)數(shù)據(jù)進(jìn)行特征降維和降噪,找出含有最大信息的主成分特征子集,然后對(duì)處理后的數(shù)據(jù)使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)訓(xùn)練。實(shí)驗(yàn)使用基于Python的TensorFlow平臺(tái),并采用NSL-KDD作為實(shí)驗(yàn)數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明,與常用的基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法的入侵檢測(cè)技術(shù)相比較,該文提出的入侵檢測(cè)方法可有效地提高檢測(cè)的準(zhǔn)確性。

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引言
1 相關(guān)研究
2 主成分分析PCA
3 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
4 PCA-RNN入侵檢測(cè)模型
5 實(shí)驗(yàn)與分析
    5.1 數(shù)據(jù)集介紹
    5.2 數(shù)據(jù)處理
        5.2.1 字符型特征數(shù)字化
        5.2.2 數(shù)值歸一化
    5.3 系統(tǒng)評(píng)估標(biāo)準(zhǔn)
    5.4 實(shí)驗(yàn)結(jié)果和分析
        5.4.1 二分類(lèi)實(shí)驗(yàn)
        5.4.2 五分類(lèi)實(shí)驗(yàn)
            1) DoS攻擊檢測(cè)
            2) Probe攻擊檢測(cè)
            3) U2R攻擊檢測(cè)
            4) R2L攻擊檢測(cè)
            5) Normal類(lèi)型檢測(cè)
6 結(jié)束語(yǔ)



本文編號(hào)：3856847