典型文献
基于多通道特征提取的入侵检测模型研究
文献摘要：
网络流量数据的高维、冗余和噪声严重影响了入侵检测模型的实时检测能力.为了提高入侵检测模型的检测速度与准确率,提出了一种基于多通道特征提取的入侵检测模型.该模型将深度学习与浅层学习技术相结合,利用多个深度自编码器对无标签的高维数据进行特征提取,再利用支持向量机多分类器对低维数据进行入侵检测.为了评估该模型的有效性,在现有的入侵数据集NSL-KDD与UNSW-NB15上进行试验评估.试验结果表明:相比于单一的支持向量机入侵检测模型,该模型的准确率和检测速度在NSL-KDD上分别提高24.9％和91.69％,在UNSW-NB15上分别提高36.9％和94.91％,从而帮助支持向量机提高了对高维数据的检测能力.
文献关键词：
入侵检测;多通道特征提取;深度自编码器;支持向量机多分类器
中图分类号：
作者姓名：
刘安云;黄洪;方彬皓
作者机构：
四川轻化工大学计算机科学与工程学院,四川 宜宾 644000;企业信息化与物联网测控技术四川省高校重点试验室,四川 宜宾 644000
文献出处：
引用格式：
[1]刘安云;黄洪;方彬皓-.基于多通道特征提取的入侵检测模型研究)[J].四川轻化工大学学报（自然科学版）,2022(06):57-65
A类：
多通道特征提取,支持向量机多分类器
B类：
入侵检测模型,网络流量,流量数据,实时检测,检测能力,检测速度,浅层学习,学习技术,技术相结合,深度自编码器,无标签,高维数据,低维,NSL,KDD,UNSW,NB15
AB值：
0.152003
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
