為了進(jìn)一步提高網(wǎng)絡(luò)異常檢測的準(zhǔn)確率,本文在對現(xiàn)有入侵檢測模型分析的基礎(chǔ)上,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的網(wǎng)絡(luò)報(bào)文入侵檢測方法.該方法首先將數(shù)據(jù)預(yù)處理成二維矩陣,為了防止算法模型過擬合,利用permutation函數(shù)將數(shù)據(jù)隨機(jī)打亂,然后利用卷積神經(jīng)網(wǎng)絡(luò)CNN從預(yù)處理后的數(shù)據(jù)中學(xué)習(xí)有效特征,最后通過支持向量機(jī)SVM分類器將得到的向量進(jìn)行分類處理.在數(shù)據(jù)集選擇上,采用網(wǎng)絡(luò)入侵檢測常用的權(quán)威數(shù)據(jù)集—京都大學(xué)蜜罐系統(tǒng)數(shù)據(jù)集,通過與GRU-Softmax、GRU-SVM等現(xiàn)有檢測率較高的模型進(jìn)行實(shí)驗(yàn)對比,該模型在準(zhǔn)確率上最高分別提高了19.39%和12.83%,進(jìn)一步提升了網(wǎng)絡(luò)異常檢測的準(zhǔn)確度.同時,本研究所提出方法在訓(xùn)練速度和測試速度上有較大提高.

【文章頁數(shù)】：8 頁


本文編號：3953434