文献类型：期刊文章

作　　者：高妮[1] 贺毅岳[2] 高岭[3]

Gao Ni;He Yiyue;Gao Ling(School of Information,Xi’an University of Finance&Economics,Xi’an 710100,China;School of Economics&Management,Northwest University,Xi’an 710127,China;School of Information Science&Technology,Northwest University,Xi’an 710127,China)

机构地区：[1]西安财经学院信息学院,西安710100 [2]西北大学经济管理学院,西安710127 [3]西北大学信息科学与技术学院,西安710127

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61373176;61572401);国家教育部人文社会科学研究青年项目(16XJC630001);陕西省自然科学基金资助项目(2015JQ7278);陕西省教育厅科学研究项目(17JK0304;14JK1693)

年　　份：2018

卷　　号：35

期　　号：4

起止页码：1197-1200

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统浅层机器学习方法无法有效解决海量入侵数据的分类问题,提出了一种基于深度信念网络的多类支持向量机入侵检测(DBN-MSVM)方法。该方法利用深度信念网络对大量高维、非线性的无标签原始数据进行特征降维,从而获得原始数据的最优低维表示;利用二叉树构造多类支持向量机分类器,并对获得的最优低维表示进行网络攻击行为识别。最后在KDD’99数据集上进行实验仿真,DBN-MSVM方法可缩短支持向量机分类器的训练时间和测试时间,提高了海量入侵数据的分类准确率。

关 键 词：入侵检测 深度学习  支持向量机 深度信念网络  

分 类 号：TP309.2]