您现在的位置是：首页 > 技术资料 > 基于自编码网络特征降维的轻量级入侵检测模型

推荐星级：

基于自编码网络特征降维的轻量级入侵检测模型

更新时间：2019-12-24 00:17:35 大小：1M 上传用户：zhiyao6 查看TA发布的资源 标签：自编码网络特征 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

基于支持向量机(SVM)的入侵检测方法受时间和空间复杂度约束,在高维特征空间计算时面临“维数灾害”的问题.为此,本文提出一种基于自编码网络的支持向量机入侵检测模型(AN-SVM).首先,该模型采用多层无监督的限制玻尔兹曼机(RBM)将高维、非线性的原始数据映射至低维空间,建立高维空间和低维空间的双向映射自编码网络结构,进而运用基于反向传播网络的自编码网络权值微调算法重构低维空间数据的最优高维表示,从而获得原始数据的相应最优低维表示;最后,采用SVM分类算法对所学习到的最优低维表示进行入侵识别.实验结果表明,AN-SVM模型降低了入侵检测模型中分类的训练时间和测试时间,并且分类效果优于传统算法,是一种可行且高效的轻量级入侵检测模型.

部分文件列表

文件名	大小
基于自编码网络特征降维的轻量级入侵检测模型.pdf	1M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

Vol. 45 No. 3

Mar. 2017

第

2017

期

电

子

ACTA ELECTRONICA SINICA

学

报

年

月

基于自编码网络特征降维的

轻量级入侵检测模型

1，2

，

高妮高岭贺毅岳王海

( 1.

，

710069; 2.

，

710100;

西北大学信息科学与技术学院陕西西安

西安财经学院信息学院陕西西安

，

710127)

西北大学经济管理学院陕西西安

( SVM)

基于支持向量机

，

“

”

摘

要

的入侵检测方法受时间和空间复杂度约束在高维特征空间计算时面临维数灾害

，

( AN－SVM) .

，

首先该模型采用多层无监督的限制玻

的问题为此本文提出一种基于自编码网络的支持向量机入侵检测模型

( RBM)

、

，，

尔兹曼机

用基于反向传播网络的自编码网络权值微调算法重构低维空间数据的最优高维表示从而获得原始数据的相应最优低维表

SVM

，AN－SVM

将高维非线性的原始数据映射至低维空间建立高维空间和低维空间的双向映射自编码网络结构进而运

，

;

，

示最后采用

分类算法对所学习到的最优低维表示进行入侵识别实验结果表明

模型降低了入侵检测模型

，

中分类的训练时间和测试时间并且分类效果优于传统算法是一种可行且高效的轻量级入侵检测模型

;

关键词

中图分类号

URL: http: / /www. ejournal. org. cn

特征降维自编码网络限制玻尔兹曼机支持向量机入侵检测

TP393ꢀ 08

0372－2112 ( 2017) 03－0730－10

DOI: 10. 3969 /j. issn. 0372－2112. 2017. 03. 033

文章编号

文献标识码

电子学报

A Lightweight Intrusion Detection Model Based on

Autoencoder Network with Feature Reduction

1，2

GAO Ni ，GAO Ling ，HE Yi－yue ，WANG Hai

( 1． School of Information Science and Technology，Northwest University，Xi’an，Shaanxi 710127，China;

2． School of Information ，Xi’an University of Finance and Economics，Xi’an，Shaanxi 710100，China;

3． School of Economics and Management，Northwest University，Xi’an，，Shaanxi 710100，China)

Abstract: Owing to the constraints of time and space complexity，support vector machine ( SVM) faced with the problem

of ‘curse of dimensionality’when computation happens in high－dimensional feature space. Therefore，an intrusion detection model

of support vector machine based on autoencoder network ( AN－SVM) is proposed. First，the multilayer unsupervised restricted bo－

ltzmann machine ( RBM) in our model is employed in mapping the vector of raw dada from high－dimensional nonlinear space to

low－dimensional space，and a mutual mapping autoencoder network of high－dimensional space and low－dimensional space is con－

structed. Then autoencoder network weights of fine－tuning algorithm based on back propagation network is employed to recon－

struct the new optimal high－dimensional representation of data in low－dimensional space，and the corresponding optimal low－di－

mensional representation of raw data can be obtained. Furthermore，SVM classification algorithm is employed to detect intrusion

from the optimal low－dimensional data. The experimental results demonstrate that AN－SVM model can effectively reduce the train－

ing time and testing time of classifier in the intrusion detection model and its classification performance outperforms those tradi－

tional methods. So，AN－SVM model is a feasible and efficient lightweight intrusion detection model.

Key words:

feature reduction; autoencoder network; restricted boltzmann machine; support vector machine;

intrusion detection

如何识别各种网络攻击是一个不可回避的关键技术

引言

( Intrusion Detection，ID)

入侵检测

作为一种主动防御技

Internet

，

在全世界范围内的迅速发展计算机

随着

，

术逐渐成为保障网络系统安全的关键技术入侵检测

网络安全问题已成为一个备受关注的重大问题其中

，

( intrusion detection systems，IDS)

系统

的目的就是识别

: 2015－06－12;

: 2015－08－24;

收稿日期

修回日期

责任编辑郭游

( No. 61373176) ;

( No. 16XJC630001) ;

( No. 2015JQ7278)

陕西省自然基金

基金项目国家自然科学基金

教育部人文社会科学研究青年项目

731

妮基于自编码网络特征降维的轻量级入侵检测模型

第

期

高

技术难题^［13］从上述案例可以看出深度学习在复杂大

，

不同寻常的访问或对安全内部网络的攻击基于机器

IDS

，

学习的用户行为建模是

的一个重要研究课题即通

规模数据的处理方面有着出色的表现因此它是解决

过学习网络流量和主机审计记录等观测数据来区分系

入侵检测速度低的一种极具前景的方法

Hinton

统的正常行为和异常行为

IDS

本文将

提出的非线性降维的自编码网络

( Autoencoder Network，AN)

的深度学习方法引入到入侵

以往的研究者在

研究中引入了各种机器学习方

［1］

［2］

^［3］等方法都在

检测领域中通过具有多个隐藏层的神经网络的逐层

，

、K

、SOM

，

法如神经网络

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于自编码网络特征降维的轻量级入侵检测模型

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页