网络入侵具有突发性和隐蔽性等特点,传统的技术很难描述其变化规律,这导致入侵检测正确率非常的低。为了提高入侵检测正确率,降低误检率,提出了一种基于动态自适应权重和柯西变异的蝙蝠优化算法优化神经网络的入侵检测模型。需要先采集...网络入侵具有突发性和隐蔽性等特点,传统的技术很难描述其变化规律,这导致入侵检测正确率非常的低。为了提高入侵检测正确率,降低误检率,提出了一种基于动态自适应权重和柯西变异的蝙蝠优化算法优化神经网络的入侵检测模型。需要先采集入侵网络的数据进行整理,然后导入到神经网络中学习,采用蝙蝠优化算法优化网络模型的参数。最后选取KDD CUP 99数据集进行网络入侵检测的仿真实验。结果表明,本文模型能够获得理想的网络入侵检测率和误检率。展开更多
文摘网络入侵具有突发性和隐蔽性等特点,传统的技术很难描述其变化规律,这导致入侵检测正确率非常的低。为了提高入侵检测正确率,降低误检率,提出了一种基于动态自适应权重和柯西变异的蝙蝠优化算法优化神经网络的入侵检测模型。需要先采集入侵网络的数据进行整理,然后导入到神经网络中学习,采用蝙蝠优化算法优化网络模型的参数。最后选取KDD CUP 99数据集进行网络入侵检测的仿真实验。结果表明,本文模型能够获得理想的网络入侵检测率和误检率。