资料下载
×
深度学习网络的多分类器入侵检测方法
消耗积分:0 |
格式:pdf |
大小:7.00 MB |
2021-06-09
分享资料个
针对海量数据环境下，传统智能化入侵检测方法检测性能较差的问题，提岀了一种深度信念网络（ deep belief networks，DBN）下一对-（one- versus-one）梯度提升树（ gradient boosting decision tree，GBDT）的多分类器入侵检测方法（DBN-OGB）。该方法首先利用深度信念网络从高维、复杂的入侵检测数据中提取出低维、具有代表性的特征数据;然后利用一对一法，在任意两类特征数据之间构建一个梯度提升树分类器;接着利用各个分类器对未知网络攻击进行识别，得票最多的类别即为该攻击的类别;最后利用 NSL-KDD数据集进行仿真实验。实验结果显示DBN-OB方法的平均准确率和检测率都高于9%，相较于 DBN-MSVM（depbelief nets based multi-class support vector machine）方法其准确率和检测率分别提升0.56%和1.03%，表明DBN-OGB是一种有效、可行的入侵检测方法，且提高了对海量入侵数据的检测性能。
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
