典型文献
基于数据增强的DBN-ELM入侵检测方法
文献摘要：
随着工业4.0时代的到来,工控安全事件频发,工控信息安全问题已经备受关注.由于工控环境较为复杂,导致传统机器学习方法在分类大量工控数据时存在收敛速度慢、泛化性较差以及数据分布不均衡等问题.为了解决此类问题,采用一种基于WGAN-GP数据增强并运用深度信念网络和极限学习机相结合的深度学习入侵检测方法,本方法基于一种梯度惩罚的生成对抗网络数据增强并将深度信念网络(deep belief network,DBN)自动提取特征的能力与极限学习机(extreme learning ma-chine,ELM)快速学习的能力相结合.采用加拿大网络安全研究所公布的CICIDS2017数据集对所提出的算法进行测试,经过对比实验证明了该方法精度更高、收敛速度更快.为了验证所提出算法在工控环境中的适用性,同时采用密西西比州立大学天然气管道数据集进行验证,证明了该算法在工业环境中具有高精度、误报率低等优点,为工业入侵检测的研究提供了一种新的研究思路.
文献关键词：
极限学习机(ELM);深度信念网络(DBN);入侵检测;数据增强;生成对抗网络
中图分类号：
作者姓名：
武洋名;宗学军;何戡
作者机构：
沈阳化工大学信息工程学院,沈阳110142;辽宁省工业信息安全重点实验室,沈阳110142
文献出处：
引用格式：
[1]武洋名;宗学军;何戡-.基于数据增强的DBN-ELM入侵检测方法)[J].科学技术与工程,2022(34):15195-15202
A类：
B类：
数据增强,DBN,ELM,入侵检测方法,工控安全,安全事件,信息安全问题,机器学习方法,收敛速度,速度慢,泛化性,数据分布,WGAN,GP,深度信念网络,极限学习机,梯度惩罚,生成对抗网络,网络数据,deep,belief,network,自动提取,提取特征,extreme,learning,ma,chine,加拿大,大网,安全研究,CICIDS2017,密西西比州,州立大学,天然气管道,道数,工业环境,误报率
AB值：
0.358794
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。
