10.3969/j.issn.1001-506X.2016.09.33
面向入侵检测系统的 Deep Belief Nets 模型
连续的网络流量会导致海量数据问题，这为入侵检测提出了新的挑战。为此，提出一种面向入侵检测系统的深度信念网络（deep belief nets oriented to the intrusion detection system，DBN-IDS）模型。首先，通过无监督的、贪婪的算法自底向上逐层训练每一个受限玻尔兹曼机（restricted Boltzmann machine，RBM）网络，使得大量高维、非线性的无标签数据映射为最优的低维表示；然后利用带标签数据被附加到顶层，通过反向传播（back propagation， BP）算法自顶向下有监督地对 RBM 网络输出的低维表示进行分类，并同时对 RBM 网络进行微调；最后，利用 NSL-KDD 数据集对模型参数和性能进行了深入的分析。实验结果表明，DBN-IDS 分类效果优于支持向量机（support vector machine，SVM）和神经网络（neural network，NN），适用于高维、非线性的海量入侵数据的分类处理。
入侵检测、神经网络、深度信念网络
38
TP393(计算技术、计算机技术)
国家自然科学基金61373176，61572401资助课题
2016-09-27（万方平台首次上网日期，不代表论文的发表时间）
共7页
2201-2207
