基于CNN-ELM的入侵檢測
關鍵詞：入侵檢測 深度學習 卷積神經(jīng)網(wǎng)絡 極限學習機 支持向量機
摘要：針對現(xiàn)有網(wǎng)絡入侵檢測方法在處理高維度、非線性的海量數(shù)據(jù)時檢測效率低和準確率低的問題,提出一種基于卷積神經(jīng)網(wǎng)絡(CNN)和極限學習機(ELM)的組合式入侵檢測方法(CNN-ELM)。通過數(shù)值化映射、歸一化及維度重組對原始網(wǎng)絡數(shù)據(jù)進行預處理,利用CNN網(wǎng)絡自動提取原始網(wǎng)絡數(shù)據(jù)的深層特征,將ELM作為分類器對提取到的特征進行入侵檢測分類。采用NSL-KDD數(shù)據(jù)集對CNN-ELM進行仿真實驗,實驗結果表明,與SVM、CNN及ELM方法相比,CNN-ELM能有效提高入侵檢測的準確率,具有較好的泛化能力和實時性。
計算機工程與設計雜志要求:
{1}根據(jù)論文情況可自行決定是否列舉閱讀型參考文獻；閱讀型參考文獻用文后尾注形式，以帶方括號的阿拉伯數(shù)字（［1］［2］［3］……）順序編號排列。閱讀型參考文獻可不標注具體頁碼。
{2}來稿要求來稿要有科學性、真實性、先進性。設計合理，結構嚴密，層次分明，文通句順，統(tǒng)計學方法正確。
{3}來稿請注明作者單位、聯(lián)系方式及確切通信地址。所有稿件，請作者自留底稿，無論采用與否，恕不退還。
{4}正文各級標題一律采用阿拉伯數(shù)字連續(xù)編號，同級題不同層次的數(shù)字之間用下圓點相隔，最末一位數(shù)后不加標點。
{5}來稿請寫明詳細通訊地址及聯(lián)系電話，并附作者簡介，內(nèi)容如下：姓名、出生年、性別、民族（漢族可省略）、籍貫、學位、職稱和最高學術職務及研究方向。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
