《表5 NSL-KDD二分类实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于dCNN的入侵检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对二分类问题，将正常数据归为一类，剩下的所有攻击数据归为一类。参数设置和实验过程与2.1节基本一致。在数据预处理阶段，先对数据集中的3个文本特征数值化（每个文本特征转换为相应的整数值），然后将41个特征的数据样本扩展为42维，并使用数据转换算法对扩展特征进行填充，进而转换为6×7的二维数据。将训练数据中70%作为训练集，30%作为验证集。共进行20次迭代训练。训练完成后使用测试集进行测试。将测试结果同基于稀疏自编码器的自学习（STL）[16]深度入侵检测方法在NSL-KDD上二分类实验的结果进行比较。实验结果如表5所示，dCNN在NSL-KDD数据集上二分类实验的ROC曲线如图8所示。由于STL方法未提供误报率数据，故表5中只列出了本文dCNN方法的误报率。从表5的实验结果可以看出，dCNN在各个性能指标上都有所提高，在测试集上，dCNN的99.95%的准确率要优于STL的88.39%，且dCNN具有更好的泛化能力。ROC曲线的曲线下面积（area under ROC curve，AUC）值为0.999 8，这表明本文方法对于未知的攻击类型也有很好的检测能力。