论文摘要
针对现有网络入侵检测系统对网络行为检测准确率较低、实时性较差、泛化性能较低的问题,利用深度学习具有良好分类性能及强泛化能力等优点,设计基于增益率算法和卷积神经网络算法的网络入侵检测模型。采用增益率筛选数据集数据特征,在保证入侵检测准确率的同时,缩短卷积神经网络训练时间。实验结果表明,该模型相比其他基于机器学习的入侵检测模型具有较高的准确率和较强的泛化能力,同时优化卷积神经网络训练方式,保证准确率的同时使神经网络训练时间减少了77%。
论文目录
文章来源
类型: 期刊论文
作者: 池亚平,杨垠坦,李格菲,王志强,许萍
关键词: 网络入侵检测,深度学习,卷积神经网络,增益率
来源: 计算机应用与软件 2019年12期
年度: 2019
分类: 信息科技
专业: 互联网技术,自动化技术
单位: 西安电子科技大学通信工程学院,北京电子科技学院通信工程系
基金: 国家重点研发计划项目(2018YFB1004101)
分类号: TP393.08;TP183
页码: 297-302+333
总页数: 7
文件大小: 853K
下载量: 272