文献类型：期刊文章

作　　者：杨彦荣[1] 宋荣杰[2] 周兆永[1]

YANG Yanrong;SONG Rongjie;ZHOU Zhaoyong(Network&Education Technology Center,Northwest A&F University,Yangling,Shaanxi 712100,China;College of Information Engineering,Northwest A&F University,Yangling,Shaanxi 712100,China)

机构地区：[1]西北农林科技大学网络与教育技术中心,陕西杨凌712100 [2]西北农林科技大学信息工程学院,陕西杨凌712100

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(No.61402375);赛尔网络下一代互联网技术创新项目(No.NGII20180505);陕西省科技计划(No.2019NY-184)。

年　　份：2020

卷　　号：56

期　　号：12

起止页码：66-72

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、PROQUEST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统机器学习方法在处理非平衡的海量入侵数据时少数类检测率低的问题,提出一种融合生成式对抗网络(GAN)、粒子群算法(PSO)和极限学习机(ELM)的入侵检测(GAN-PSO-ELM)方法。对原始网络数据进行预处理,利用GAN并采用整体类扩充的方式对数据集进行少数类样本扩充。在扩充后的平衡数据集上,利用PSO算法优化ELM的输入权重与隐含层偏置,并建立入侵检测模型。在NSL-KDD数据集上进行仿真实验。实验结果表明,与SVM、ELM、PSO-ELM方法相比,GAN-PSO-ELM不仅具有较高的检测效率,而且在整体检测准确率上平均提高了3.74%,在少数类R2L和U2R上分别平均提高了28.13%和16.84%。

关 键 词：入侵检测 生成式对抗网络  极限学习机 粒子群算法  支持向量机  

分 类 号：TP393.08]