典型文献
基于DNSAE和随机森林的电力信息网络入侵检测模型
文献摘要：
随着电力行业逐步跨入新型数字化全面互联时代,电力物联网在其中扮演着越来越重要的角色.在电力物联网快速发展的同时,负责承载数据流和信息流的电力信息网络存在遭受入侵的风险,而网络流量的异常检测将成为解决这一问题的重要手段.文章提出一种基于深度非对称稀疏自编码器(deep nonsymmetric sparse autoencoder,DNSAE)和随机森林(random forest,RF)的网络入侵检测模型,在保证准确率的同时,实现更快速高效的识别.首先由DNSAE对网络流量数据进行特征提取,再将得到的抽象特征数据训练随机森林.实验结果表明,与深度信念网络(deep belief network,DBN)和堆叠非对称自编码器(stacked nonsymmetric deep autoencoder,S-NDAE)相比,此模型具备更高的检测效率.
文献关键词：
入侵检测;电力信息网络;深度非对称稀疏自编码器;随机森林;网络安全
中图分类号：
作者姓名：
潘羿;李彬
作者机构：
华北电力大学 电气与电子工程学院,北京 102206
文献出处：
引用格式：
[1]潘羿;李彬-.基于DNSAE和随机森林的电力信息网络入侵检测模型)[J].电力信息与通信技术,2022(05):23-29
A类：
DNSAE,深度非对称稀疏自编码器,NDAE
B类：
电力信息网络,网络入侵检测,入侵检测模型,电力行业,跨入,新型数字化,互联时代,电力物联网,数据流,信息流,网络流量,异常检测,deep,nonsymmetric,sparse,autoencoder,random,forest,RF,快速高效,流量数据,特征数据,数据训练,深度信念网络,belief,network,DBN,堆叠,stacked,检测效率
AB值：
0.266167
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。
