摘要：为解决信息不完备情况下的检测准确率低、时间长的问题,提出面向不完备信息的网络入侵检测方法。针对信息不完备,采用基于SMOTE的采样方法增加少数类样本,实现信息特征稳定下的数据完备化。针对特征冗余,构建基于DBN的特征低维映射,实现数据降维,以便轻量级检测。基于SVM算法,精准捕捉入侵特征,实现快速的轻量级入侵检测。实验结果表明,信息完备化处理提高了罕见攻击的检测准确率,特征降维大幅降低了检测时长。

摘要：常见的基于人工智能的入侵检测算法要求完备的训练数据,否则易因数据类别不均衡、特征不完备等原因导致无法有效识别入侵行为。针对网络信息的不完备,本文提出一种面向不完备信息的集成神经网络入侵检测方法(intrusion detection with incomplete information based on ensemble neural network,IDII-ENN),解决不完备信息条件下检测准确率低、训练时间长的难题。首先,针对不完备的数据进行优化处理,提出基于bootstrap的采样方法,在保证其特征稳定的情况下实现数据的完备化;然后,构建基于前馈神经网络的入侵检测分类模型,实现轻量级的入侵检测分类;最后,设计基于投票策略的集成学习融合方法,实现对入侵行为的精准识别。实验结果表明:IDII-ENN对数据特征的敏感度较低,准确率相较完全基于前馈神经网络的检测模型(simplified feed-forward intrusion detection,SFID)提高了1%;同时训练效率相较基于稀疏自编码器(sprarse auto-encoder,SAE)的特征提取方法提高了近1倍,满足入侵检测实时性的需求。