針對網(wǎng)絡(luò)數(shù)據(jù)特征維度高、現(xiàn)有的入侵檢測方法準確率低的問題,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)的入侵檢測方法PCA-RNN。該方法先對網(wǎng)絡(luò)數(shù)據(jù)進行預處理,通過主成分分析法對數(shù)據(jù)進行特征降維和降噪,找出含有最大信息的主成分特征子集,然后對處理后的數(shù)據(jù)使用循環(huán)神經(jīng)網(wǎng)絡(luò)進行分類訓練。實驗使用基于Python的TensorFlow平臺,并采用NSL-KDD作為實驗數(shù)據(jù)集。實驗結(jié)果表明,與常用的基于機器學習和深度學習方法的入侵檢測技術(shù)相比較,該文提出的入侵檢測方法可有效地提高檢測的準確性。

【文章頁數(shù)】：8 頁

【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入侵檢測模型
5 實驗與分析
    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)評估標準
    5.4 實驗結(jié)果和分析
        5.4.1 二分類實驗
        5.4.2 五分類實驗
            1) DoS攻擊檢測
            2) Probe攻擊檢測
            3) U2R攻擊檢測
            4) R2L攻擊檢測
            5) Normal類型檢測
6 結(jié)束語



本文編號：3856847