文章針對異常檢測中的網(wǎng)絡(luò)數(shù)據(jù)量大、特征維數(shù)高、傳統(tǒng)機器學(xué)習算法對數(shù)據(jù)標簽依賴性高等問題,提出一種基于隨機森林和深度自編碼高斯混合模型的無監(jiān)督入侵檢測方法RF-DAGMM。該方法重點在于使用隨機森林算法進行特征選擇,一方面更加注重對結(jié)果重要的特征,另一方面消除無關(guān)特征對檢測結(jié)果的干擾,經(jīng)特征選擇后的數(shù)據(jù)輸入深度自編碼高斯混合模型中,從而獲得更好的結(jié)果。本文分別基于KDD99、UNSW-NB15、CICIDS2017數(shù)據(jù)集進行實驗,實驗結(jié)果表明,RF-DAGMM在多個指標上的結(jié)果得到提升,同時減少訓(xùn)練時長和計算成本。 

【文章來源】：網(wǎng)絡(luò)空間安全. 2020,11(08)

【文章頁數(shù)】：6 頁

【部分圖文】：

RF-DAGMM模型圖

【參考文獻】：
期刊論文
[1]基于隨機森林的學(xué)生畫像特征選擇方法[J]. 楊長春,徐筱,宦娟,田迎春,經(jīng)德林.  計算機工程與設(shè)計. 2019(10)
[2]基于機器學(xué)習技術(shù)的網(wǎng)絡(luò)安全防護[J]. 劉金鵬.  網(wǎng)絡(luò)空間安全. 2018(09)

碩士論文
[1]基于深度學(xué)習的網(wǎng)絡(luò)流量入侵檢測研究[D]. 紀書鑒.中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(shù)研究院) 2020



本文編號：3454229