基于深度信念网络的入侵检测模型.pdfVIP

文章编号：1007—1423(2015)02—0010—05 DOI：10．3969~．issn．1007—1423．2015．02．003 基于深度信念网络的入侵检测模型 杨 昆朋 (北京交通大学计算机与信息技术学院，北京 100044) 摘要 ： 针对传统入侵检测方法在检测速度、精度、复杂度等方面的缺陷，提出一种基于深度信念网络的支持向量机入侵检测 模型(DBN—SVM)。该模型利用两层的限制玻尔兹曼机进行结构降维．再用BP神经网络反向微调结构参数 ．从而获得 原始数据的相应最优表示。利用支持向量机对数据进行网络人侵的识别。通过对NSL—KDD数据集仿真实验表明． DBN—SVM模型是一种可行的、高效的入侵检测模型。为入侵检测提供一种全新的思路。 关键词 ： 深度学习；入侵检测；深度信念网络；特征降维；支持向量机 0 引言 度信念网络 (DeepBeliefNetworks，DBN)3【】的入侵检测 模型 DBN用来作为特征降维 (featurereduction)t4J的方 随着时代 的发展 ．Internet已经成为 日常生活 中不 法．之后将 DBN处理后的数据用 SVM~9]进行训练学习 可缺少的一部分 计算机网络安全也因此成为一个备 并分类 受关注的重大问题 。入侵检测 (IntrusionDetection，ID) 自1980年被Anders0n提出以来．一直备受学术、工业 1 基于深度信念网络的入侵检测模型 界关注11『。入侵检测系统 (IntrusionDetectionSystem，IDS) 深度学习由于其对复杂数据的学习能力突出而备 它能够检测各种形式的入侵行为 ．并根据事先定义的 受国内外学者的关注明 一个深度学习模型含有多层的 安全策略采取相应 的响应行为 。 隐藏感知单元．通过组合底层特征形成更加高层的数 传统的IDS存在着大量的问题 ．对未知网络攻击 据抽象．可以更好地建立从底层信号到高层语义的映 检测能力差、误报率高、占用资源多；对攻击数据的关 射关系 联和分析功能不足，导致过多的人工参与：对于现在广 1．1深度信念 网络工作原理 泛使用的脚本攻击防御能力差等 为了在现代高带宽 、 深度信念网络由Hinton等人于2006年提出3【J，作 大规模网络环境下提高入侵检测的效率、降低漏报率 为一种深度学习方法备受关注．并成功应用于物体识 和误报率．把机器学习的方法引入到 IDS中来．已成为 别、语音识别等领域。它通过学习获得数据集的压缩编 IDS的重要发展方向闭 以往研究者们在 IDS研究中引 码．可以达到数据降维的目的[41 入了各种机器学习方法，如神经网络、模糊逻辑、支持向 从结构上看．DBN由多层无监督的限制玻尔兹曼机 量机等在入侵检测系统中取得了突破性的进展 实际上． 网络和一层有监督的反向传播(Back-Propagation，BP)阿网 这些方法在入侵检测系统中往往以分类器出现．用以分 络组成 ．如图 1所示 别网络行为是否正常 本文中．我们提出了一种基于限制 玻尔兹曼机 (RestrictedBoltzmannMachine．RBM)的深 现代计算机 2015．01中 检测模型 ，其中DB