基于深度學習的網(wǎng)絡(luò)入侵檢測系統(tǒng)中大量的冗余數(shù)據(jù)特征會加大模型的訓練時間并降低訓練效果,針對此問題,提出了AE-BNDNN入侵檢測模型.首先利用自編碼器網(wǎng)絡(luò)（Auto-Encoder,AE）對入侵檢測數(shù)據(jù)進行特征降維,去除冗余特征,而后在深度神經(jīng)網(wǎng)絡(luò)隱藏層添加批量規(guī)范化層,作為訓練入侵檢測數(shù)據(jù)特征降維后的分類器,最后采用多層網(wǎng)格搜索算法對AEBNDNN模型參數(shù)進行自動優(yōu)化,尋找模型的最優(yōu)參數(shù).在NSL-KDD數(shù)據(jù)集上的實驗結(jié)果表明,采用多層網(wǎng)格搜索算法優(yōu)化的AE-BNDNN模型取得了較高的分類準確率和訓練速度. 

【文章來源】：小型微型計算機系統(tǒng). 2019,40(08)北大核心CSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
1 引言
2 相關(guān)研究
3 AE-BNDNN入侵檢測模型的設(shè)計
    3.1 設(shè)計思路和模型總體框架
    3.2 基于自編碼器的特征降維
    3.3 批量規(guī)范化層的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.4 檢測模型的超參數(shù)優(yōu)化
4 實驗及結(jié)果分析
    4.1 實驗數(shù)據(jù)和實驗環(huán)境
    4.2 數(shù)據(jù)預(yù)處理
    4.3 實驗評價標準
    4.4 實驗對比與分析
        4.4.1 訓練輪次對模型的影響
        4.4.2 自編碼器壓縮維度對模型的影響
        4.4.3 添加批量規(guī)范化層對模型的影響
        4.4.4 多層網(wǎng)格搜索優(yōu)化超參數(shù)對模型的影響
        4.4.5 與其他方法對比
        4.4.6 模型平均建模時間
5 結(jié)論



本文編號：3194589