陈 虹，万广雪，肖振久

(辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105)

基于优化数据处理的深度信念网络模型的入侵检测方法

陈 虹，万广雪*，肖振久

(辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105)

(*通信作者电子邮箱avril_snow@foxmail.com)

针对目前网络中存在的对已知攻击类型的入侵检测具有较高的检测率，但对新出现的攻击类型难以识别的缺陷问题，提出了一种基于优化数据处理的深度信念网络(DBN)模型的入侵检测方法。该方法在不破坏已学习过的知识和不严重影响检测实时性的基础上，分别对数据处理和方法模型进行改进，以解决上述问题。首先，将经过概率质量函数(PMF)编码和MaxMin归一化处理的数据应用于DBN模型中；然后，通过固定其他参数不变而变化一种参数和交叉验证的方式选择相对最优的DBN结构对未知攻击类型进行检测；最后，在NSL-KDD数据集上进行了验证。实验结果表明，数据的优化处理能够使DBN模型提高分类精度，基于DBN的入侵检测方法具有良好的自适应性，对未知样本具有较高的识别能力。在检测实时性上，所提方法与支持向量机(SVM)算法和反向传播(BP)网络算法相当。

入侵检测；优化数据处理；深度学习；深度信念网络；未知攻击检测

0 引言

近年来，国内外网络安全事件层出不穷，仅在2015年度发生的信息泄漏事件就不胜枚举，越来越多的企业和用户成为网络攻击的受害者，因此，如何保护隐私信息，使其免受或少受来自互联网恶意用户的攻击，已经成为当今网络技术人员和业界密切关注的问题。……