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

Abstract 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.
AbstractList 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.
Abstract_FL Considering the problems of traditional intrusion detection methods limited by the class imbalance of datasets and the poor representation of selected features,a detection method based on VAE-CWGAN and fusion of statistical im-portance of features was proposed.Firstly,data preprocessing was conducted to enhance data quality.Secondly,a VAE-CWGAN model was constructed to generate new samples,addressing the problem of imbalanced datasets,ensuring that the classification model no longer biased towards the majority class.Next,standard deviation,difference of median and mean were used to rank the features and fusion their statistical importance for feature selection,aiming to obtain more representative features,which made the model can better learn data information.Finally,the mixed data set after feature selection was classified through a one-dimensional convolutional neural network.Experimental results show that the proposed method demonstrates good performance advantages on three datasets,namely NSL-KDD,UNSW-NB15,and CIC-IDS-2017.The accuracy rates are 98.95%,96.24%,and 99.92%,respectively,effectively improving the perfor-mance of intrusion detection.
Author 刘涛涛
付钰
段雪源
王坤
AuthorAffiliation 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;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;信阳师范大学计算机与信息技术学院,河南 信阳 464000
AuthorAffiliation_xml – name: 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;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;信阳师范大学计算机与信息技术学院,河南 信阳 464000
Author_FL DUAN Xueyuan
WANG Kun
FU Yu
LIU Taotao
Author_FL_xml – sequence: 1
  fullname: LIU Taotao
– sequence: 2
  fullname: FU Yu
– sequence: 3
  fullname: WANG Kun
– sequence: 4
  fullname: DUAN Xueyuan
Author_xml – sequence: 1
  fullname: 刘涛涛
– sequence: 2
  fullname: 付钰
– sequence: 3
  fullname: 王坤
– sequence: 4
  fullname: 段雪源
BookMark eNrjYmDJy89LZWBQNDTQMzS0NLXUz9LLLC7O0zM0MDDQNTE2q9AzMjAyMTA0ZmHghIlFcDDwFhdnJhmYGhqbmxkYG3IyeDydv-vJrr4wR1dd53B3R7-nk3qed-58uq_x-e75L9YtfNne-2JZ47OG5S_m9T6d0PF8VsvzvROf757ztHXpk31bny1ueLa1-9m0nc82T-VhYE1LzClO5YXS3Ayhbq4hzh66Pv7uns6OPrrFQFeY6hpappgbG5iaGiYlGSSbJZummJhbmpkaG1qmGZobpaYaGlqkGBgbpZmbphgbpSSaGBokAYXNk0zMjFOTUtMSTYy5GVQh5pYn5qUl5qXHZ-WXFuUBbYwvqahIAvvZCGiRMQADQGZh
ClassificationCodes TP391
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.11959/j.issn.1000-436x.2024013
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
DocumentTitle_FL Network intrusion detection method based on VAE-CWGAN and fusion of statistical importance of feature
EndPage 67
ExternalDocumentID txxb202402005
GroupedDBID -0Y
2B.
4A8
92I
93N
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CUBFJ
GROUPED_DOAJ
PSX
TCJ
ID FETCH-LOGICAL-s1005-19d730551bb0c6c5d47965319f172ee118d032f75d32da410b72e7b463ebefa43
ISSN 1000-436X
IngestDate Thu May 29 04:00:49 EDT 2025
IsPeerReviewed false
IsScholarly true
Issue 2
Keywords 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
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1005-19d730551bb0c6c5d47965319f172ee118d032f75d32da410b72e7b463ebefa43
PageCount 14
ParticipantIDs wanfang_journals_txxb202402005
PublicationCentury 2000
PublicationDate 2024-02-25
PublicationDateYYYYMMDD 2024-02-25
PublicationDate_xml – month: 02
  year: 2024
  text: 2024-02-25
  day: 25
PublicationDecade 2020
PublicationTitle 通信学报
PublicationTitle_FL Journal on Communications
PublicationYear 2024
Publisher 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
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
Publisher_xml – name: 信阳师范大学计算机与信息技术学院,河南 信阳 464000
– name: 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
– name: 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
SSID ssib051376031
ssj0002912165
ssib058759023
ssib001102965
ssib023646527
ssib023168036
ssib036439991
ssib050281523
ssib000968473
Score 2.3944252
Snippet 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...
SourceID wanfang
SourceType Aggregation Database
StartPage 54
Title 基于VAE-CWGAN和特征统计重要性融合的网络入侵检测方法
URI https://d.wanfangdata.com.cn/periodical/txxb202402005
Volume 45
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwzV3Na9RAFA-lgngRRcXPUsE5ldRkMpPMHCfbrItgT632VjabRE9bsFsoPbWgqGhFBT2IWETUmxfpoS32r-l--F_43ks2Wb_w4-RlmMxMfvM-svPeZDPvWdYlqVoZWDlpO570bJE5wm6miW9rRzW5COJMx3je-dqs35gXVxfkwtj4xMhXSyudeLq19tNzJf-iVWgDveIp2b_QbAkKDVAH_UIJGobyj3TMIsl0nYWGRQJLFV03kV27ccXMUhdnqsaigCnNQo0tYQSeI7aEId4YKWYiZqBFMwXDZqjFpzE-fgNhAmzREXUBoMOUwts1zCUIZ4bpErCGY5RkRhI9EQsl4hgPoaAClyrEivaJHig9lie_HPrHRImD-IhQJ9oAcAapQpIMgA-fEZoNqFOEBKhhWamGCKJMIS6II3SqHuA3InqAL8AXVY-PUkHaNWIaQ7CG5QlHh69IuKAj57J8qAsOw4DoysmhSxQHlKqYzAgSa8lVySfJ3dSpK0KdFdIkiYOkgBFeo1k0ShB7a0wHU0TwUEKhC3dOCQ-z5zEu_z-iRqwghhsQHqWYLM1kHvWzWA74iM3Lg4AX3lOeW-VHu6ylJsOM-NND_NVp1JaTH0b-Lux5Z3U1pt48RPEhDtvA0VcmxfYbnKvRc-EO19W_9hyTsoGHVl37wpe8dLc99MZ1FStKgq8N7myJJ138Yqz6l1zC3l4XObbI0-Pa5S5lqy0ldti6OOT38q-4pfOB7azZvjniys4ds44We9BJky8ox62xtVsnrEZ3a_dg93G5gHSfPeo_2Onub_T3tgYf33y5tzl4v9Fb_zB4vdl9cr__8k7_89P-3qvu3XcH-9u9t-u97Ye9Fzu9T89PWvP1aK7WsIs0K_ayS3GIdRJg3D83jp2W35KJCECIYJoz2NykqeuqxPF4FsjE40lTuE4MzUEsfA8MQNYU3ilrvL3UTk9bk00X33_4sXB5S0jhxUnCMxHDJiJLA5HKM9ZEwflisYwuL36j6LO_G3DOOlL9ws9b453bK-kF2BZ04gl6Nr4Cqna_0g
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8EVAE-CWGAN%E5%92%8C%E7%89%B9%E5%BE%81%E7%BB%9F%E8%AE%A1%E9%87%8D%E8%A6%81%E6%80%A7%E8%9E%8D%E5%90%88%E7%9A%84%E7%BD%91%E7%BB%9C%E5%85%A5%E4%BE%B5%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E9%80%9A%E4%BF%A1%E5%AD%A6%E6%8A%A5&rft.au=%E5%88%98%E6%B6%9B%E6%B6%9B&rft.au=%E4%BB%98%E9%92%B0&rft.au=%E7%8E%8B%E5%9D%A4&rft.au=%E6%AE%B5%E9%9B%AA%E6%BA%90&rft.date=2024-02-25&rft.pub=%E6%B5%B7%E5%86%9B%E5%B7%A5%E7%A8%8B%E5%A4%A7%E5%AD%A6%E4%BF%A1%E6%81%AF%E5%AE%89%E5%85%A8%E7%B3%BB%2C%E6%B9%96%E5%8C%97+%E6%AD%A6%E6%B1%89+430033%25%E6%B5%B7%E5%86%9B%E5%B7%A5%E7%A8%8B%E5%A4%A7%E5%AD%A6%E4%BF%A1%E6%81%AF%E5%AE%89%E5%85%A8%E7%B3%BB%2C%E6%B9%96%E5%8C%97+%E6%AD%A6%E6%B1%89+430033&rft.issn=1000-436X&rft.volume=45&rft.issue=2&rft.spage=54&rft.epage=67&rft_id=info:doi/10.11959%2Fj.issn.1000-436x.2024013&rft.externalDocID=txxb202402005
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Ftxxb%2Ftxxb.jpg