發(fā)布時(shí)間：2024-05-21 20:11

　　隨著網(wǎng)絡(luò)安全技術(shù)的飛速發(fā)展和大數(shù)據(jù)技術(shù)的廣泛應(yīng)用,傳統(tǒng)的機(jī)器學(xué)習(xí)模型已難以滿足大數(shù)據(jù)環(huán)境下高效入侵檢測(cè)的要求。針對(duì)原始數(shù)據(jù)集特征不夠明顯的情況,利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行大數(shù)據(jù)特征提取與數(shù)據(jù)分析的優(yōu)勢(shì),文章提出一種基于對(duì)數(shù)邊際密度比(Logarithm Marginal Density Ratio,LMDR)和卷積神經(jīng)網(wǎng)絡(luò)(Convotional Neural Network,CNN)的混合入侵檢測(cè)模型。該模型相較于現(xiàn)有傳統(tǒng)的機(jī)器學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)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(zhǔn)確率并降低誤報(bào)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(jìn)行模型訓(xùn)練,并利用測(cè)試集進(jìn)行測(cè)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(shí),模型的表現(xiàn)最好,能夠達(dá)到99.49%的精確度、99.41%的檢測(cè)率以及0.39%的誤報(bào)率。圖2給出了不同特征維度下LM....

圖1入侵檢測(cè)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(qiáng)后再進(jìn)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(hào)：3979866