典型文献
基于生成对抗网络的入侵检测类别不平衡问题数据增强方法
文献摘要：
数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素.当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果.针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡.通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率.
文献关键词：
生成对抗网络;入侵检测;非均衡数据集;数据增强
中图分类号：
作者姓名：
孙佳佳;李承礼;常德显;高立伟
作者机构：
战略支援部队信息工程大学,郑州450001
文献出处：
引用格式：
[1]孙佳佳;李承礼;常德显;高立伟-.基于生成对抗网络的入侵检测类别不平衡问题数据增强方法)[J].科学技术与工程,2022(18):7965-7971
A类：
B类：
生成对抗网络,入侵检测,类别不平衡,不平衡问题,问题数据,数据增强,增强方法,数据类别,机器学习技术,检测领域,训练数据,数据不均衡,练得,分类效果,基于机器学习,机器学习算法,训练样本,样本不均衡,数据隐私,隐私性,深度神经网络,样本集,NSL,KDD,模型评估,未知攻击,检测率,非均衡数据集
AB值：
0.403626
相似文献
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。
