10.3969/j.issn.1000-3932.2022.01.006
一种混合采样与膨胀卷积相结合的入侵检测模型设计
基于机器学习的入侵检测模型在网络环境的安全保护中起着至关重要的作用.然而,入侵检测数据集存在不平衡类问题,限制了分类器对少数类的检测性能,降低了少数类的检测率.为了解决入侵检测数据集数据不平衡的问题,提出一种新的混合采样技术(SSG),由基于支持向量机(SVM)合成少数类过采样(SMOTE)算法和高斯混合模型(GMM)欠采样聚类技术相结合.其次,为了解决网络入侵数据特征学习不充分的问题,运用特征提取功能强的膨胀卷积神经网络模型(DCNN),使用膨胀卷积来增大对信息的感受野,从而提取高级特征.在UNSW-NB15数据集进行多分类实验,取得了97.04%的检测准确率,实验结果优于其他模型和现有的方法,为大规模不平衡的网络数据入侵检测提供了一个有效的方案.
入侵检测;深度学习;数据不平衡;混合采样;膨胀卷积;UNSW-NB15数据集
49
TP181(自动化基础理论)
2022-02-24(万方平台首次上网日期,不代表论文的发表时间)
共9页
27-35