基于卷积神经网络的网络入侵检测系统模型
|
摘要
针对传统入侵检测算法普遍存在的检测准确率偏低、误报率高和对未知安全威胁检测的不足等问题,利用卷积神经网络的数据特征提取自主发现和提取的技术特征以及高准确率,提出一种基于卷积神经网络算法的网络入侵检测系统模型,公开数据集测试结果显示该模型较传统的入侵检测方法有较高的准确率和较低的漏报率。
Aiming at the problems of low detection accuracy,high false alarm rate and insufficient detection of unknown security threats in traditional intrusion detection algorithms, this paper proposes a network intrusion detection system model based on convolution neural network algorithm,which uses the data features of convolution neural network to extract the technical features of self-discovery and extraction, as well as its high accuracy. In data set testing, the results show that the model has higher accuracy and lower false alarm rate than traditional intrusion detection methods.
Aiming at the problems of low detection accuracy,high false alarm rate and insufficient detection of unknown security threats in traditional intrusion detection algorithms, this paper proposes a network intrusion detection system model based on convolution neural network algorithm,which uses the data features of convolution neural network to extract the technical features of self-discovery and extraction, as well as its high accuracy. In data set testing, the results show that the model has higher accuracy and lower false alarm rate than traditional intrusion detection methods.
引文
[1]李洪成,吴晓平,姜洪海.基于改进聚类分析的网络流量异常检测方法[J].网络与信息安全学报,2015(1):66-71.
[2]李柏生,林亚平,鄢喜爱.基于朴素贝叶斯网络的入侵检测分析[J].网络安全技术与应用,2007(9):23-25.
[3]王翔,胡学钢,杨秋洁.基于One-R的改进随机森林入侵检测模型研究[J].合肥工业大学学报:自然科学版,2015(5):627-630.
[4]王磊,廖晓峰.基于改进BP算法的入侵检测神经网络方法[J].计算机工程与应用,2004(31):69-71.
[5]贾凡,孔令智.基于卷积神经网络的入侵检测算法[J].北京理工大学学报,2017(12):1271-1275.
[6]王辉,陈泓予,刘淑芬.基于改进朴素贝叶斯算法的入侵检测系统[J].计算机科学,2014(4):111-115.
[7]张莉华,葛文庚.基于决策树分类算法的入侵检测研究[J].电子设计工程,2013(22):46-48.
[8]王浩.基于随机森林的网络攻击检测方法[J].软件,2016(11).
[9]王振,高茂庭.基于卷积神经网络的图像识别算法设计与实现[J].现代计算机:专业版,2015(20):61-66.
[10]陈耀丹,王连明.基于卷积神经网络的人脸识别方法[J].东北师大学报(自然科学版),2016(2):70-76.
[11]张晴晴,刘勇,潘接林,等.基于卷积神经网络的连续语音识别[J].工程科学学报,2015(9):1212-1217.
[12]张少巍,杨红兰,周飞.基于人工神经网络的入侵检测方法研究[J].北京印刷学院学报,2017(7):134-135.
[13]王明,李剑.基于卷积神经网络的网络入侵检测系统[J].信息安全研究,2017(11):990-994.
[14]李彦冬,郝宗波,雷航.卷积神经网络研究综述[J].计算机应用,2016(9):2508-2515.
[15]张新有,曾华燊,贾磊.入侵检测数据集KDD CUP99研究[J].计算机工程与设计,2010(22):4809-4812.
[2]李柏生,林亚平,鄢喜爱.基于朴素贝叶斯网络的入侵检测分析[J].网络安全技术与应用,2007(9):23-25.
[3]王翔,胡学钢,杨秋洁.基于One-R的改进随机森林入侵检测模型研究[J].合肥工业大学学报:自然科学版,2015(5):627-630.
[4]王磊,廖晓峰.基于改进BP算法的入侵检测神经网络方法[J].计算机工程与应用,2004(31):69-71.
[5]贾凡,孔令智.基于卷积神经网络的入侵检测算法[J].北京理工大学学报,2017(12):1271-1275.
[6]王辉,陈泓予,刘淑芬.基于改进朴素贝叶斯算法的入侵检测系统[J].计算机科学,2014(4):111-115.
[7]张莉华,葛文庚.基于决策树分类算法的入侵检测研究[J].电子设计工程,2013(22):46-48.
[8]王浩.基于随机森林的网络攻击检测方法[J].软件,2016(11).
[9]王振,高茂庭.基于卷积神经网络的图像识别算法设计与实现[J].现代计算机:专业版,2015(20):61-66.
[10]陈耀丹,王连明.基于卷积神经网络的人脸识别方法[J].东北师大学报(自然科学版),2016(2):70-76.
[11]张晴晴,刘勇,潘接林,等.基于卷积神经网络的连续语音识别[J].工程科学学报,2015(9):1212-1217.
[12]张少巍,杨红兰,周飞.基于人工神经网络的入侵检测方法研究[J].北京印刷学院学报,2017(7):134-135.
[13]王明,李剑.基于卷积神经网络的网络入侵检测系统[J].信息安全研究,2017(11):990-994.
[14]李彦冬,郝宗波,雷航.卷积神经网络研究综述[J].计算机应用,2016(9):2508-2515.
[15]张新有,曾华燊,贾磊.入侵检测数据集KDD CUP99研究[J].计算机工程与设计,2010(22):4809-4812.