基于自编码网络和聚类的入侵检测技术

摘要

针对模糊C均值聚类算法的入侵检测方法易陷入局部最优,受时间和空间复杂度约束,检测速率低并且使用原始数据集容易陷入"维度灾难"等问题,提出了一种基于自编码网络(AN)特征降维结合遗传算法(GA)优化模糊C均值算法的聚类模型(AN-GA-FCM).该模型采用多层限制玻尔兹曼机(RBM)将高维、非线性的数据双向映射到低维空间,建立高维空间到低维空间的自编码网络,进而使用自编码网络权值微调重构低维空间数据的最优高维表示.并利用遗传算法优化的FCM初始聚类中心,避免目标函数陷入局部最优.将得到的特征降维数据集通过GA-FCM进行分类并在KDD'99数据集上进行检测,通过与PCA,SVM,Softmax等传统算法的实验对比,结果表明,该模型具有较高的入侵检测准确率和较低的分类检测时间.