面向不完备信息网络的集成神经网络入侵检测方法
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．
论文下载：