基于GAN数据增强和混合神经网络的入侵检测方法

摘要

针对入侵数据非平衡、传统机器学习算法依赖人工特征提取、特征表示不准确的问题,提出一种基于GAN数据增强和混合神经网络的入侵检测方法GCG.该方法的重点在于构建生成式对抗网络并利用生成器和判别器的博弈思想生成相对平衡的流量数据训练集,以此来解决数据非平衡问题.将经过预处理后的流量数据的矩阵表示形式输入到混合神经网络中,通过卷积操作和门控操作分别从空间和时序两个层面上对流量数据进行特征提取,以此来精准特征表示.采用Softmax分类算法对网络流量数据进行分类.仿真实验均已在NSL-KDD数据集上得到验证,实验表明,该文所集成的入侵检测方法具有良好效果.