基于VAE-CWGAN和特征统计重要性融合的网络入侵检测方法OA北大核心CSTPCD
针对传统入侵检测方法受限于数据集类不平衡以及所选特征代表性不强等问题,提出一种基于VAE-CWGAN和特征统计重要性融合的检测方法。首先,为提升数据质量对数据集进行预处理;其次,搭建VAE-CWGAN模型生成新样本以解决数据集类不平衡问题,使分类模型不再偏向于多数类;再次,使用标准差、中值均值差对特征进行排序,并融合其统计重要性来进行特征选择旨在获得代表性更强的特征,从而使模型更好地学习数据信息;最后,通过一维卷积神经网络对特征选择后的混合数据集进行分类。实验结果表明,所提方法在NSL-KDD、UNSW-NB15和CIC-IDS-2017数据集上都表现出较好的性能优势,准确率分别为98.95%、96.24%和99.92%,有效提升了入侵检测性能。
刘涛涛;付钰;王坤;段雪源;
海军工程大学信息安全系,湖北武汉430033海军工程大学信息安全系,湖北武汉430033 信阳职业技术学院数学与信息工程学院,河南信阳464000海军工程大学信息安全系,湖北武汉430033 信阳师范大学计算机与信息技术学院,河南信阳464000
计算机与自动化
入侵检测网络流量类不平衡特征选择统计重要性融合
《通信学报》 2024 (002)
P.54-67 / 14
国家重点研发计划基金资助项目(No.2018YFB0804104)。
评论