針對海量多源異構且數(shù)據(jù)分布不平衡的網(wǎng)絡入侵檢測問題以及傳統(tǒng)深度學習算法無法根據(jù)實時入侵情況在線更新其輸出權重的問題,提出了一種基于深度序列加權核極限學習的入侵檢測算法（DBN-WOS-KELM算法）。該算法先使用深度信念網(wǎng)絡DBN對歷史數(shù)據(jù)進行學習,完成對原始數(shù)據(jù)的特征提取和數(shù)據(jù)降維,再利用加權序列核極限學習機進行監(jiān)督學習完成入侵識別,結合了深度信念網(wǎng)絡提取抽象特征的能力以及核極限學習機的快速學習能力。最后在部分KDD99數(shù)據(jù)集上進行了仿真實驗,實驗結果表明DBN-WOS-KELM算法提高了對小樣本攻擊的識別率,并且能夠根據(jù)實際情況在線更新輸出權重,訓練效率更高。 

【文章來源】：計算機應用研究. 2020,37(03)北大核心CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

DBN-WOS-KELM總體框架

RBM結構模型

不同DBN深度下的檢測結果

【參考文獻】：
期刊論文
[1]基于深度信念網(wǎng)絡的入侵檢測模型（英文）[J]. 高妮,高嶺,賀毅岳,高全力,任杰.  Journal of Southeast University（English Edition）. 2015(03)

碩士論文
[1]基于深度信念網(wǎng)絡的入侵檢測算法研究[D]. 逯玉婧.河北師范大學 2016
[2]基于深度學習的入侵檢測[D]. 楊昆朋.北京交通大學 2015



本文編號：3296798