發(fā)布時(shí)間：2024-04-13 18:25

　　為了進(jìn)一步提高網(wǎng)絡(luò)異常檢測(cè)的準(zhǔn)確率,本文在對(duì)現(xiàn)有入侵檢測(cè)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(cè)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(guò)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(guò)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(cè)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(guò)與GRU-Softmax、GRU-SVM等現(xiàn)有檢測(cè)率較高的模型進(jìn)行實(shí)驗(yàn)對(duì)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(cè)的準(zhǔn)確度.同時(shí),本研究所提出方法在訓(xùn)練速度和測(cè)試速度上有較大提高.

【文章頁(yè)數(shù)】：8 頁(yè)


本文編號(hào)：3953434