《表5 NSL-KDD二分类实验结果》
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。
图表编号 | XD0039167100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.01 |
作者 | 张思聪、谢晓尧、徐洋 |
绘制单位 | 贵州大学计算机科学与技术学院、贵州师范大学贵州省信息与计算科学重点实验室、贵州师范大学贵州省信息与计算科学重点实验室 |
更多格式 | 高清、无水印(增值服务) |