《表6 NSL-KDD五分类实验结果》

  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

在五分类实验中，将攻击数据进一步细分为Dos、Probe、R2L、U2R共4个类别。数据预处理、参数设置和实验步骤与2.2节一致。共进行20次迭代训练。测试结果如表6所示。表6将本文方法实验结果同基于多层非对称深度自编码器（S-NDAE，表6中简称为NDAE）[2]的入侵检测方法在NSL-KDD五分类实验的结果进行了对比。dCNN模型在测试集上的混淆矩阵如图9所示。从表6的实验结果可以看出，本文方法除了查准率外，其他指标均获得了不错的提升，特别是在准确率（98%）、误报率（0.02%）上取得了相当不错的检测结果。从图9的混淆矩阵中可以直观地看出，本文方法在区分正常数据和攻击数据方面取得了不错的检测性能（仅2条误报、17条漏报），但在区分不同的攻击类型方面还有进一步提升的空间，特别是对R2L攻击类型的检测结果不是特别理想，还出现了17条攻击数据的漏检。