论文部分内容阅读
随着社会信息化程度的加深,网络入侵行为愈加普遍,随之产生的庞大数据流量和多样化入侵数据特征成为当前困扰入侵检测系统性能的重要因素。面对庞大的数据流量和特征信息,如何有效地选择关键性特征作为入侵评判的标准,是入侵检测面临的一大挑战性难题。深度学习等新一代人工智能方法出色的特征学习能力为该问题的解决提供了新的途径。本文在对入侵检测和深度学习进行全面分析的基础上,针对现有入侵检测方法检测速率低、单个分类器分类能力有限导致检测准确率低等缺点,提出了基于深度学习神经网络的入侵检测改进模型。具体的工作体现在如下四个方面:1.利用极限学习机学习速率快的特点,对传统的深度置信网络进行了改进,即用极限学习机取代深度置信网络中最后一层BP(Back Propagation)神经网络,改进其反向调参过程,实现对样本数据集的学习,有助于提高学习速率。2.通过多次对样本集的采样,形成多个子样本集,在改进的深度置信网络上进行训练,形成多个基分类器,以弥补单个分类器检测准确率低的问题。3.利用集成学习算法中的随机森林算法分类准确率和检测效率高的特点,将多个基分类器组合成一个强分类器,进行网络入侵行为的识别和分类,以提高入侵检测准确率和检测效率。4.采用最新的NSL-KDD数据集,将本文方法和几种常用入侵检测算法的检测能力进行对比测试和分析。本文通过Matlab仿真平台,分别从学习速率、检测准确率和检测效率三个方面进行实验仿真。仿真结果表明:本文所构建的入侵检测模型可取得98.64%的入侵检测准确率,检测时间仅6.98s。总的来说,与传统入侵检测方法对比,引入深度学习的智能入侵检测算法在训练学习速率、检测准确率和检测效率上表现出明显的优势。