收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

堆叠式降噪自编码器深度网络的入侵检测

陶亮亮  
【摘要】:随着入侵攻击的进步,传统的浅层感知机模型已经无法检测日益复杂的入侵行为。本文将深度学习应用到入侵检测领域中,深度网络由多层形式化的神经网络构成,先通过无监督学习逐层初始化网络的权重,然后再通过有监督对整个网络模型进行微调。深度学习不仅能够抽取更优异的特征,还能学到更复杂的目标函数,所以该方法能够更好的处理样本量巨大且高维的入侵数据集。虽然深度学习方法检测入侵行为优势明显,但是深度网络训练速度慢,鲁棒性差,并且容易过拟合。本文提出了堆叠式降噪自编码器深度网络的入侵检测方法,可以防止过拟合和消除噪音,本文的主要工作有以下四个方面:(1)本文采用NSL-KDD数据集,但是该数据集中有部分定性特征,针对这些特征采用了高维特征映射方法对数据进行预处理,增强了数据的辨识度。(2)由于传统的非线性激活函数不仅梯度下降速度慢,而且容易出现梯度消失,本文在深度网络的隐藏层采用了Relu激活函数,实验表明,该方法与采用simgoid激活函数的深度网络比较,深度网络的收敛速度明显加快。(3)由于原始数据中可能不完整或被破坏,本文在自编码器学习过程中加入了高斯白噪声,对原始数据进行降噪,增强了深度网络的鲁棒性。实验表明,自编码器中加入了高斯白噪声之后,准确率可以提高0.5%。(4)由于入侵检测数据集中各类别数量不匀称,所以在训练的过程中容易出现过拟合,本文采用过了Dropout正则化,Dropout是通过近似组合模型的方式来防止过拟合。实验表明,Dropout方法比权重衰减方法泛化效果更好。通过实验得出堆叠式降噪自编码器深度网络的最优参数,与入侵检测领域的其他方法对比,本文提出的模型具有较高的准确率。堆叠式降噪自编码器深度网络的入侵检测方法有四个优点:适用于高维的特征数据;提高深度网络的泛化能力;加快网络的训练速度;提高网络的分类准确率,有效地减少误报和漏报。


知网文化
【相似文献】
中国硕士学位论文全文数据库 前10条
1 陶亮亮;堆叠式降噪自编码器深度网络的入侵检测[D];兰州大学;2017年
2 魏冬冬;高精度编码器数字化接口的研究与实现[D];合肥工业大学;2017年
3 王青;基于CPLD的SSI协议绝对值编码器设计[D];宁波大学;2017年
4 徐晨飞;基于深度学习的年龄不变人脸识别技术研究与实现[D];电子科技大学;2017年
5 包娜;JPEG2000中MQ编码器的VLSI设计[D];天津大学;2016年
6 李晨星;基于微博的意图识别[D];西华大学;2017年
7 邱琳耀;H.264运动估计算法研究和H.264编码器在达芬奇平台的应用[D];天津大学;2016年
8 马小勇;PMSM转子位置复合检测与编码器校正研究[D];郑州大学;2017年
9 Mohammad Adnan Ahmad Yahya;使用深度学习方法的推荐系统[D];哈尔滨工业大学;2017年
10 虢齐;基于深度学习的图像生成技术研究与应用[D];电子科技大学;2017年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978