高　妮, 高　岭, 贺毅岳,3

(1. 西北大学信息科学与技术学院,陕西 西安 710127; 2. 西安财经学院 信息学院,陕西 西安 710100; 3. 西北大学经济管理学院,陕西 西安 710127)



面向入侵检测系统的DeepBeliefNets模型

高妮1,2, 高岭1, 贺毅岳1,3

(1. 西北大学信息科学与技术学院,陕西 西安 710127; 2. 西安财经学院 信息学院,陕西 西安 710100; 3. 西北大学经济管理学院,陕西 西安 710127)

连续的网络流量会导致海量数据问题,这为入侵检测提出了新的挑战。为此,提出一种面向入侵检测系统的深度信念网络(deepbeliefnetsorientedtotheintrusiondetectionsystem,DBN-IDS)模型。首先,通过无监督的、贪婪的算法自底向上逐层训练每一个受限玻尔兹曼机(restrictedBoltzmannmachine,RBM)网络,使得大量高维、非线性的无标签数据映射为最优的低维表示；然后利用带标签数据被附加到顶层,通过反向传播(backpropagation,BP)算法自顶向下有监督地对RBM网络输出的低维表示进行分类,并同时对RBM网络进行微调；最后,利用NSL-KDD数据集对模型参数和性能进行了深入的分析。实验结果表明,DBN-IDS分类效果优于支持向量机(supportvectormachine,SVM)和神经网络(neuralnetwork，NN),适用于高维、非线性的海量入侵数据的分类处理。

入侵检测； 神经网络； 深度信念网络

0　引　言

随着网络技术的飞速发展和网络规模的不断扩大,如何识别各种网络攻击是一个不可回避的关键技术问题。入侵检测系统(intrusiondetectionsystem,IDS)是对企图入侵、正在进行的入侵或已经发生的入侵进行识别,其本质是对大量攻击数据给出威胁分析。以往研究者在IDS研究中引入了各种机器学习方法,如神经网络(neuralnetwork,NN)[1]、支持向量机(supportvectormachine,SVM)[2-3]、蚁群算法[4]等机器学习方法都在IDS中取得了突破性的进展。……