基于VAE-CWGAN和特征统计重要性融合的网络入侵检测方法

TP391; 针对传统入侵检测方法受限于数据集类不平衡以及所选特征代表性不强等问题,提出一种基于VAE-CWGAN 和特征统计重要性融合的检测方法.首先,为提升数据质量对数据集进行预处理;其次,搭建VAE-CWGAN模型生成新样本以解决数据集类不平衡问题,使分类模型不再偏向于多数类;再次,使用标准差、中值均值差对特征进行排序,并融合其统计重要性来进行特征选择旨在获得代表性更强的特征,从而使模型更好地学习数据信息;最后,通过一维卷积神经网络对特征选择后的混合数据集进行分类.实验结果表明,所提方法在NSL-KDD、UNSW-NB15 和CIC-IDS-2017数据集上都表现出较好的性能优势,准确率...

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 45; no. 2; pp. 54 - 67
Main Authors 刘涛涛, 付钰, 王坤, 段雪源
Format Journal Article
LanguageChinese
Published 海军工程大学信息安全系,湖北 武汉 430033%海军工程大学信息安全系,湖北 武汉 430033 25.02.2024
信阳师范大学计算机与信息技术学院,河南 信阳 464000
信阳职业技术学院数学与信息工程学院,河南 信阳 464000%海军工程大学信息安全系,湖北 武汉 430033
Subjects
网络流量
network traffic
class imbalance
入侵检测
类不平衡
fusion of statistical importance
特征选择
统计重要性融合
intrusion detection
feature selection
Online AccessGet full text

Cover

More Information
Summary:TP391; 针对传统入侵检测方法受限于数据集类不平衡以及所选特征代表性不强等问题,提出一种基于VAE-CWGAN 和特征统计重要性融合的检测方法.首先,为提升数据质量对数据集进行预处理;其次,搭建VAE-CWGAN模型生成新样本以解决数据集类不平衡问题,使分类模型不再偏向于多数类;再次,使用标准差、中值均值差对特征进行排序,并融合其统计重要性来进行特征选择旨在获得代表性更强的特征,从而使模型更好地学习数据信息;最后,通过一维卷积神经网络对特征选择后的混合数据集进行分类.实验结果表明,所提方法在NSL-KDD、UNSW-NB15 和CIC-IDS-2017数据集上都表现出较好的性能优势,准确率分别为98.95%、96.24%和99.92%,有效提升了入侵检测性能.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2024013