首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
张鑫杰,任午令.基于Fisher-PCA和深度学习的入侵检测方法研究[J].数据采集与处理,2020,35(5):956-964
基于Fisher-PCA和深度学习的入侵检测方法研究
Intrusion Detection Method Based on Fisher-PCA and Deep Learning
投稿时间:2019-12-11  修订日期:2020-05-17
DOI:10.16337/j.1004-9037.2020.05.001
中文关键词:  深度学习  入侵检测  特征提取  主成分分析  KDD99
英文关键词:deep learning  intrusion detection  feature extraction  principal component analysis (PCA)  KDD99
基金项目:浙江省重点研发(2020C01076)资助项目。
作者单位邮编
张鑫杰 浙江工商大学计算机与信息工程学院 杭州310018 310018
任午令 浙江工商大学计算机与信息工程学院 杭州310018 310018
摘要点击次数: 39
全文下载次数: 43
中文摘要:
      为了在攻击形式多样化、入侵数据海量及多维化的环境中快速、准确地识别网络攻击,提出了一种融合Fisher-PCA特征提取与深度学习的入侵检测算法。通过Fisher特征选择算法选出重要的特征组成特征子集,然后基于主成分分析法(Principal component analysis,PCA)将特征子集进行降维,提取出了分类能力强的特征集。构建了一种新的深度神经网络(Deep neural networks,DNN)模型对网络攻击数据和正常数据进行识别与分类。在KDD99数据集上进行实验,结果表明:与传统的人工神经网络(Artificial neural network, ANN)和支持向量机(Support vector machine, SVM)算法相比,这种入侵检测算法的准确率分别提高了12.63%和6.77%,误报率由原来的2.31%和1.96%降为0.28%;与DBN4 和PCA-CNN算法相比,在准确率和检测率保持基本相同的同时有着更低的误报率。
英文摘要:
      To quickly and accurately identify network attacks in a multi-dimensional environment with diversified attack forms and massive intrusion data, an intrusion detection model combining Fisher-PCA feature extraction and deep learning is proposed. Firstly, the Fisher feature selection algorithm selects important features to form feature subsets. Then the dimension of the feature subsets is reduced based on principal component analysis (PCA) and the feature set with strong classification ability is extracted. A new deep neural network (DNN) is constructed to identify and classify network attack data and normal data. Experimental results on KDD99 dataset show that compared with the traditional artificial neural network(ANN) and support vector machine(SVM) algorithms, the accuracy of this intrusion detection algorithm can be improved by 12.63% and 6.77%, respectively, and the false alarm rate is reduced from 2.31% and 1.96% to 0.28%. Compared with DBN4 and PCA-CNN algorithms, its accuracy and detection rate are basically the same, while the false alarm rate is lower.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第1856981位访问者 本站今日一共被访问107

技术支持:北京勤云科技发展有限公司