一种基于LMDR和CNN的混合入侵检测模型

发布时间：2024-05-21 20:11

　　随着网络安全技术的飞速发展和大数据技术的广泛应用,传统的机器学习模型已难以满足大数据环境下高效入侵检测的要求。针对原始数据集特征不够明显的情况,利用卷积神经网络进行大数据特征提取与数据分析的优势,文章提出一种基于对数边际密度比(Logarithm Marginal Density Ratio,LMDR)和卷积神经网络(Convotional Neural Network,CNN)的混合入侵检测模型。该模型相较于现有传统的机器学习算法和神经网络模型,能够更充分挖掘数据特征间的联系,有效提高分类准确率并降低误报率。

【文章页数】：5 页

【部分图文】：

图2不同特征维度下LMDR-CNN分类效果折线图

通过将特征约减到不同维度下的数据作为LMDR-CNN模型的数据集进行模型训练,并利用测试集进行测试。通过观察可知,LMDR-CNN模型在数据特征约减到9×9维时,模型的表现最好,能够达到99.49%的精确度、99.41%的检测率以及0.39%的误报率。图2给出了不同特征维度下LM....

图1入侵检测数据灰度图

图1表示不同情况下正常数据流量和入侵攻击数据流量的灰度图。第1列是将原数据集特征约减到40维的数据灰度图,中间一列是将哑编码后的122维特征约减到81维的数据灰度图,第三列是先将数据集通过LMDR特征增强后再进行特征约减到81维的数据灰度图像。比较每一列的灰度图可以发现,同种类型....

本文编号：3979866