基于ADASYN与改进残差网络的入侵流量检测识别

TP393.0; 针对现有入侵流量检测模型分类准确率低、小样本特征提取不足等问题,提出了一种基于自适应合成采样和Inception-Resnet模块的改进残差网络算法.该算法能够对不平衡数据集进行采样优化,有效提升模型的小样本特征提取能力.首先,通过对不平衡的数据训练集进行过采样改善数据分布,然后对非数据部分进行独热编码处理并与数据部分整合,降低预处理复杂度,最后利用改进残差网络模型进行数据训练,并进行性能评估和算法效能对比.实验结果表明,改进残差网络模型对入侵流量的检测准确率在多分类和二分类情况下分别达到89.40％和91.88％.相比于经典深度学习算法,改进残差网络模型的准确率更高,误报率...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 44; no. 12; pp. 3850 - 3862
Main Authors 唐玺博, 张立民, 钟兆根
Format Journal Article
LanguageChinese
Published 海军航空大学信息融合研究所,山东烟台264001%海军航空大学航空基础学院,山东烟台264001 01.12.2022
Subjects
不平衡数据集
残差神经网络
自适应合成采样
入侵流量检测
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2022.12.31

Cover

More Information
Summary:TP393.0; 针对现有入侵流量检测模型分类准确率低、小样本特征提取不足等问题,提出了一种基于自适应合成采样和Inception-Resnet模块的改进残差网络算法.该算法能够对不平衡数据集进行采样优化,有效提升模型的小样本特征提取能力.首先,通过对不平衡的数据训练集进行过采样改善数据分布,然后对非数据部分进行独热编码处理并与数据部分整合,降低预处理复杂度,最后利用改进残差网络模型进行数据训练,并进行性能评估和算法效能对比.实验结果表明,改进残差网络模型对入侵流量的检测准确率在多分类和二分类情况下分别达到89.40％和91.88％.相比于经典深度学习算法,改进残差网络模型的准确率更高,误报率更低,具备较高的可靠性和工程应用价值.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2022.12.31