基于深度信念网络的入侵检测模型（英文）

被引：13

作者：

高妮 ^{[1
]}

高岭 ^{[1
]}

贺毅岳 ^{[1
,2
]}

高全力 ^{[1
]}

任杰 ^{[1
]}

机构：

[1] 西北大学信息科学与技术学院

[2] 西北大学经济管理学院

来源：

Journal of Southeast University(English Edition) | 2015年 / 31卷 / 03期

关键词：

入侵检测; 深度信念网络; 限制玻尔兹曼机; 深层学习;

D O I：

暂无

中图分类号：

TP393.08 [];

学科分类号：

摘要：

研究了入侵检测系统中海量数据分类的问题.讨论了深度信念网络(DBN)的原理,提出了基于DBN的入侵检测模型.DBN由多层无监督的限制玻尔兹曼机(RBM)网络和一层有监督的反向传播(BP)网络构成.该入侵检测模型采用一种快速、贪婪的方法对DBN网络进行预训练,利用对比分歧算法逐层训练每一个RBM网络;然后,利用有监督的BP算法对整个DBN网络进行微调,并同时对RBM网络输出的低维特征进行入侵数据分类.基于KDD CUP 1999数据集的实验结果表明,使用3层以上的DBN模型分类效果优于自组织映射和神经网络方法.因此,DBN是一种有效且适用于高维特征空间的入侵检测方法.

引用

页码：339 / 346

页数：8

共 3 条

[1]

A novel hybrid KPCA and SVM with GA model for intrusion detection.[J].Fangjun Kuang;Weihong Xu;Siyang Zhang.Applied Soft Computing Journal.2014,

[2]

Optimized intrusion detection mechanism using soft computing techniques [J].