基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的入侵檢測方法在實際應(yīng)用中模型訓(xùn)練時間過長、超參數(shù)較多、數(shù)據(jù)需求量大。為降低計算復(fù)雜度,提高入侵檢測效率,提出一種基于集成深度森林(EDF)的檢測方法。在分析CNN的隱藏層結(jié)構(gòu)和集成學(xué)習(xí)的Bagging集成策略的基礎(chǔ)上構(gòu)造隨機森林(RF)層,對每層中RF輸入隨機選擇的特征進行訓(xùn)練,拼接輸出的類向量和特征向量并向下層傳遞迭代,持續(xù)訓(xùn)練直至模型收斂。在NSL-KDD數(shù)據(jù)集上的實驗結(jié)果表明,與CNN算法相比,EDF算法在保證分類準(zhǔn)確率的同時,其收斂速度可提升50%以上,證明了EDF算法的高效性和可行性。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1隨機森林決策方法

RF是一種Bagging集成學(xué)習(xí)方式,在分類回歸領(lǐng)域有著廣泛的應(yīng)用[11]。RF通過Bagging方式生成多組決策樹,從而得到不同的分類策略,然后執(zhí)行判決算法(如取預(yù)測值期望),以達(dá)到綜合所有分類策略、改善分類器性能的目的。圖1給出RF決策方法的示意圖,假設(shè)回歸的輸出向量長度為3....

圖2DF級聯(lián)模型示意圖

集成深度森林利用多個RF構(gòu)成一個森林層,然后通過級聯(lián)形成層間連接。每一層的輸出類向量為一組預(yù)測值,使用測試集判定該層模型是否滿足收斂條件(如準(zhǔn)確率、循環(huán)次數(shù)等),若不滿足則將輸出的類向量與初始訓(xùn)練數(shù)據(jù)相連接,以此作為下一層的輸入[13]。深度森林(DeepForests,DF)....

圖3EDF算法流程

本文將DF應(yīng)用到入侵檢測中,提出EDF算法。該算法使用2個特殊的森林構(gòu)建森林層,使用Bagging集成方式擴展森林層,使用ending-to-ending的方法合并上層輸入與下層輸出,并將其作為新的輸入數(shù)據(jù),然后分別使用交叉驗證和袋外估計方法預(yù)測每一層的輸出概率,EDF學(xué)習(xí)流程如....

圖4KDDtrain+和KDDtest+的數(shù)據(jù)類分布

本文實驗采用NLP-KDD入侵檢測數(shù)據(jù)集,該數(shù)據(jù)集包含KDDtrain+、KDDtest+、KDDtrain-20percent和KDDtest-21等多組數(shù)據(jù),其中KDDtrain+含有125793條數(shù)據(jù),按攻擊類型可分為5類,按攻擊方式可分為23種,共41種特征。KDDtr....

本文編號：3924377