基于改进条件变分自编码器的入侵检测研究

摘要

现有的入侵检测方法大多集中于提高整体检测率,而应用于不平衡样本集上,传统方法往往在少数类攻击样本的识别上存在识别准确率低、误报率高的问题。因此,提出了一个结合入侵检测条件变分自编码器(Intrusion Detection Conditional Variational Auto Encoder, IDCVAE)和深度信念网络(Deep Belief Nets, DBN)的入侵检测方法。该方法首先利用IDCVAE学习数据的稀疏表示,然后使用其解码器部分扩充少数类样本,解决样本不均衡问题。最后利用DBN对平衡后的新数据集进行特征提取和分类。实验结果表明,本文的方法在保持整体检测率较高的同时,有效地提高了少数类攻击的检测率及误报率。