资料下载
×
融合深度学习和极限学习机的入侵检测
消耗积分:0 |
格式:pdf |
大小:1.81 MB |
2021-06-03
分享资料个
传统机器学习算法需要人工构建样本特征，处理海量多源异构网络亼侵数据时分类效果较差。针对该问题，结合深度信念网络（DBN）和核极限学习机（KELM），提出一种混合深度学习入侵检测算法DBN-KELM。利用DBN提取高维网络历史数据的抽象特征，获得原始数据的低维表示形式。在此基础上，通过KELM对低维表示的数据做监督学习，达到准确识别网络攻击的目的。在NSL-KDD数据集上进行仿真，实验结果表明，DBN-KELM算法能够提高分类准确率，降低对小样本攻击的误报率，同时缩短分类器的训练时间。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
