摘要
随着互联网领域飞速发展,随之而来的恶意网络攻击的复杂性与隐蔽性也日益加剧,维护网络安全成为互联网稳定发展之路的必然焦点.针对传统的入侵检测系统无法有效的处理网络入侵时产生的高维、冗余数据问题,文章提出了一种基于合成少数类过采样(synthetic minority over-sampling technique,SMOTE)结合编辑最近邻欠采样(edited nearest neighbors,ENN)、主成分分析(PCA)和卷积神经网络(CNN)的入侵检测模型.首先使用Smote+ENN混合采样技术有效处理数据不平衡问题,再使用主成分分析法对高维数据进行特征降维,最后使用卷积神经网络对异常和正常流量数据进行分类,并在NSL-KDD入侵检测数据集上进行实验评估.结果表明,与传统CNN方法相比,基于SE-PCA-CNN的入侵检测表现出色,有着较高的准确率和更快的检测速度.
NETL
NSTL
万方数据