基于GRU-SVM神经网络的大数据入侵检测方法研究

根据RNN神经网络与LSTM神经网络运行特征,优化LSTM得到变体GRU神经网络,并建立了GRU-SVM算法,并跟传统Softmax分类器进行了对比。通过实验测试发现GRU-SVM的dropout率为0.88,GRU-Softmax的dropout比例为0.81。GRU-SVM获得了比GRU-Softmax更短的训练时间,说明GRU-SVM具备更高训练效率。检测不同攻击类型的过程中,GRU-SVM算法表现出了比GRU-Softmax算法更高的精度,更低的误报率,从而降低入侵事件概率。本算法弥补了传统机器学习算法在处理数据量上的局限性,为应对大数据的问题起到一定的理论支撑作用。

基于Apriori优化的大数据挖掘技术研究

为解决Apriori算法在大数据挖掘中存在数据负载大、挖掘效率低、冗余性高的问题,提出采用Map Reduce计算框架来优化Apriori数据挖掘算法,将计算任务划分为多个并行任务,提高数据处理效率。将改进的Apriori算法应用于网络入侵大数据挖掘中,并和传统Apriori算法进行对比。结果表明,改进的Apriori算法的数据挖掘效果优于传统Apriori算法,数据挖掘效率高,同时可以有效降低对网络入侵数据的误检率和漏检率。

AI交互终端异常数据入侵识别与仿真

交互终端界面可分为桌面、非桌面、可见及不可见几种类型,因此交互界面的大数据具有多样化和无序化特点,导致AI交互终端安全攻击事件时有发生。为增强AI交互安全性,提出AI交互终端大数据异常入侵风险识别方法。构建AI交互终端数据模型,获得入侵数据参变量在终端内簇首节点中的布局函数,构建异常数据入侵节点的路由拓扑模型。根据能量损耗测量频谱,得到交互终端数据布局全部簇的位置,拟合终端数据信息流二维信号。基于此,利用主成分分析提取异常值,筛选关联密切信息,保证成分互不干扰。根据排列数据簇,划分正常数据与异常入侵数据,利用网络发生器,得到入侵特征和权值,完成AI交互终端大数据异常入侵风险识别。实验结果显示,所提方法的AI交互终端大数据异常识别率可达95%以上,误检率低于10%,确保了AI终端的安全,可有效减小用户损失。