典型文献
基于CNN+C5.0的电力信息系统网络入侵检测模型
文献摘要：
为了降低现有的入侵检测模型在面对高维数据集时,往往会出现分类精度低,假阳性率高等问题,本文提出了一种结合卷积神经网络和C5.0分类算法的电力信息系统入侵检测模型.该模型首先用CNN的中间隐藏层学习并提取流量数据的特征,然后将提取出的特征输入到C5.0分类器中训练并分类.通过与KNN、SVM、NB以及J48这四种分类器在NSL-KDD和UNSW-NB15两种数据集上分别做多分类对比性实验,结果表明C5.0分类器在CNN特征的二分类和多分类任务中表现出了分类精度高、假阳性率低的最优性能,该模型具有一定的应用推广价值.
文献关键词：
入侵检测;深度学习;卷积神经网络;分类器
中图分类号：
作者姓名：
王扶文;肖建军;刘国亮;刘高鹤
作者机构：
国网甘肃省电力公司定西供电公司,定西 甘肃743000
文献出处：
引用格式：
[1]王扶文;肖建军;刘国亮;刘高鹤-.基于CNN+C5.0的电力信息系统网络入侵检测模型)[J].电力大数据,2022(08):37-44
A类：
CNN+C5
B类：
电力信息系统,信息系统网络,网络入侵检测,入侵检测模型,高维数据,分类精度,假阳性率,分类算法,先用,流量数据,分类器,KNN,J48,NSL,KDD,UNSW,NB15,多分类,分类对比,对比性,二分类,分类任务,最优性能,应用推广
AB值：
0.343257
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。
