在不平衡數(shù)據(jù)的應用中,少量的負樣本（異常數(shù)據(jù)）往往是檢測準確率低的重要原因,如在主機異常檢測領域中,異常樣本過少使得檢測效果不佳.為解決這一問題,該文改進了深度卷積生成對抗網絡,使其更易于收斂和生成樣本.再通過將改進的深度卷積生成對抗網絡用于入侵檢測評測數(shù)據(jù)集ADFA-LD異常樣本的訓練,構造出更多的異常樣本.最后,為驗證生成樣本的效果,以多種異常檢測方法檢測對上述增加樣本后的平衡數(shù)據(jù)進行實驗,實驗結果發(fā)現(xiàn)新增加的異常樣本能被全部檢測出,而且已測出的異常樣本無漏檢,實現(xiàn)了高檢測率和低誤報率.對比實驗表明該文提出的小樣本數(shù)據(jù)生成方法能有效解決某些數(shù)據(jù)不平衡的應用問題. 

【文章來源】：江西師范大學學報(自然科學版). 2020,44(04)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

基于DCGAN生成主機異常序列及其檢測框架

將ADFA-LD數(shù)據(jù)集的正常序列和異常序列轉換為20×20像素的圖像

表現(xiàn)最佳的1次迭代所生成的10條異常序列

【參考文獻】：
期刊論文
[1]基于生成式對抗網絡的中文字體風格遷移[J]. 滕少華,孔棱睿.  計算機應用研究. 2019(10)
[2]SVM-DT-Based Adaptive and Collaborative Intrusion Detection[J]. Shaohua Teng,Naiqi Wu,Haibin Zhu,Luyao Teng,Wei Zhang.  IEEE/CAA Journal of Automatica Sinica. 2018(01)



本文編號：3085986