針對傳統(tǒng)異常檢測方法在處理多元和高維數(shù)據(jù)時檢測性能較差的問題,提出一種融合彈性網(wǎng)和深度去噪自編碼器的網(wǎng)絡(luò)異常檢測方法。構(gòu)建一種基于彈性網(wǎng)的深度去噪自編碼器,利用部分正常數(shù)據(jù)對網(wǎng)絡(luò)進行訓練獲得重構(gòu)誤差閾值,以自編碼器和重構(gòu)誤差值檢測異常行為。采用NSL-KDD數(shù)據(jù)集的實驗結(jié)果表明,與AE、K-NN和SVM方法相比,該方法在保證較好的分類準確率和檢測率的同時,召回率和F1值明顯提高,誤報率明顯降低,對不同攻擊類數(shù)據(jù)被分類為異常的準確率也優(yōu)于其它方法。 

【文章來源】：計算機工程與設(shè)計. 2020,41(06)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

自編碼器模型

深度自編碼器結(jié)構(gòu)

去噪自編碼器訓練過程

【參考文獻】：
期刊論文
[1]改進Kmeans算法的海洋數(shù)據(jù)異常檢測[J]. 蔣華,季豐,王慧嬌,王鑫,羅一迪.  計算機工程與設(shè)計. 2018(10)
[2]基于深度學習的電力大數(shù)據(jù)融合與異常檢測方法[J]. 劉冬蘭,馬雷,劉新,李冬,常英賢.  計算機應(yīng)用與軟件. 2018(04)



本文編號：3349813