基于GAN和特征选择技术的入侵检测数据增强

为了解决传统GAN模型的缺陷,更好地扩展网络入侵数据和缓解数据高维性问题,本文提出了GAN-CS数据增强模型。对数据进行预处理后,使用改进后的WGAN-GP对攻击数据进行增强,生成额外的攻击样本后,使用卡方检验方法选择最能够代表数据集的特征,生成用于分类器训练平衡后的数据集,最后使用多种不同的分类器对数据集进行分类,评估模型效果。本文基于UNSW-NB15分别进行了数据增强数据量选择实验、模型可行性实验、模型优越性比较等3个维度的实验。结果表明,在多个分类器下,本文提出的模型均表现出比同类模型更好的效果,可以有效提高入侵检测模型的检测性能。