计算机科学与探索

作者：陈虹，陈建虎，肖成龙，万广雪，肖振久

单位：辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105

关键词：入侵检测,深度学习,反向传播神经网络,梯度提升树

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，提出了一种深度信念网络（deep belief networks，DBN）下一对一（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-OGB方法的平均准确率和检测率都高于99%，相较于DBN-MSVM（deep belief 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。

来源：2019年第7期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2019年第7期