《表1 入侵检测领域常用的深度学习算法》
基于深度学习的入侵检测的特征提取和分类算法很多,其中用的比较多的是LSTM、DBN、AE。文献[14]先采用AE进行降维,然后进行分类。Staudemeyer等人[15]首次使用LSTM进行网络入侵检测,输入特征是KDD数据集原有的41个特征,输出向量长度为5,包括4种攻击和正常请求。Kim等人使用LSTM在KDD99数据集上进行网络入侵检测并进行参数选取,取得了较高的检测率,然而,LSTM的误报率也偏高,达到了10.04%。作者认为LSTM的初始权重值选取不当可能是导致误报率较高的主要因素之一。Putchala[16]提出将GRU应用于物联网领域的入侵检测,然而仅在KDD99数据集上进行实验,得到的准确率高于99%。Gao等人首次将DBN作为分类模型应用于入侵检测,验证了DBN可以应用于入侵检测的分类。表1展示了深度学习在入侵检测领域中常用的算法。
图表编号 | XD0035432100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 刘月峰、王成、张亚斌、苑江浩 |
绘制单位 | 内蒙古科技大学信息工程学院、内蒙古科技大学信息工程学院、内蒙古科技大学信息工程学院、国家粮食局科学研究院 |
更多格式 | 高清、无水印(增值服务) |