隨著網絡安全技術的飛速發(fā)展和大數(shù)據(jù)技術的廣泛應用,傳統(tǒng)的機器學習模型已難以滿足大數(shù)據(jù)環(huán)境下高效入侵檢測的要求。針對原始數(shù)據(jù)集特征不夠明顯的情況,利用卷積神經網絡進行大數(shù)據(jù)特征提取與數(shù)據(jù)分析的優(yōu)勢,文章提出一種基于對數(shù)邊際密度比(Logarithm Marginal Density Ratio,LMDR)和卷積神經網絡(Convotional Neural Network,CNN)的混合入侵檢測模型。該模型相較于現(xiàn)有傳統(tǒng)的機器學習算法和神經網絡模型,能夠更充分挖掘數(shù)據(jù)特征間的聯(lián)系,有效提高分類準確率并降低誤報率。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖2不同特征維度下LMDR-CNN分類效果折線圖

通過將特征約減到不同維度下的數(shù)據(jù)作為LMDR-CNN模型的數(shù)據(jù)集進行模型訓練,并利用測試集進行測試。通過觀察可知,LMDR-CNN模型在數(shù)據(jù)特征約減到9×9維時,模型的表現(xiàn)最好,能夠達到99.49%的精確度、99.41%的檢測率以及0.39%的誤報率。圖2給出了不同特征維度下LM....

圖1入侵檢測數(shù)據(jù)灰度圖

圖1表示不同情況下正常數(shù)據(jù)流量和入侵攻擊數(shù)據(jù)流量的灰度圖。第1列是將原數(shù)據(jù)集特征約減到40維的數(shù)據(jù)灰度圖,中間一列是將啞編碼后的122維特征約減到81維的數(shù)據(jù)灰度圖,第三列是先將數(shù)據(jù)集通過LMDR特征增強后再進行特征約減到81維的數(shù)據(jù)灰度圖像。比較每一列的灰度圖可以發(fā)現(xiàn),同種類型....

本文編號：3979866