基于深度学习特征提取的网络入侵检测方法

针对在构建深度学习模型过程中,神经网络隐藏层的层数和每层神经元节点数主要通过人工专家的主观经验设置,深度学习模型智能化不够、适应性不强的问题,提出了一种应用于网络入侵检测的自适应、智能化的深度学习特征提取方法。该方法采用逐层贪婪训练的策略,通过改进稀疏自编码神经网络训练的方式,形成了一个自适应、智能化的特征提取神经网络。最后利用基于支持向量机的多类分类器,形成了一种基于深度学习特征提取的网络入侵检测系统。实验表明:与基于自编码网络的支持向量机入侵检测模型(AN-SVM)和基于核主成分分析与遗传算法相结合的支持向量机模型(KPCA-GA-SVM)入侵检测方法相比,准确率平均提高了5.01%,误报率平均降低了6.24%,检测时间平均降低了16%,说明了该方法优于其他类似方法。