基于降噪自编码器和弹性网络的入侵检测模型

入侵检测建模中,数据损坏或不完整、训练过程中存在的数据过拟合问题,以及对未知攻击流量缺少判断依据等因素,将影响模型训练效果。针对以上问题,本文提出一种基于降噪自编码器和弹性网络的入侵检测模型。该模型利用降噪自编码器降低输入数据损坏及不完整对模型训练的影响,使用弹性网络解决数据过拟合问题,对未知攻击流量采用损失值作为判断依据。实验结果表明,本文构建的入侵模型与传统机器学习算法及深度学习算法相比具有更高的准确性,检测效果更好。