多层极限学习机在入侵检测中的应用

摘要

针对神经网络在入侵检测应用存在的维度高、数据大、获取标记样本难、特征构造难、训练难等问题,提出了一种基于深度多层极限学习机(ML-ELM)的入侵检测方法.首先,采用多层网络结构和深度学习方法抽取检测样本最高层次的抽象特征,用奇异值对入侵检测数据进行特征表达;然后,利用极限学习机(ELM)建立入侵检测数据的分类模型;其次,利用逐层的无监督学习方法解决入侵检测获取标记样本难的问题;最后采用KDD99数据集对该方法的性能进行了验证.实验结果表明:多层极限学习机的方法提高了检测正确率,检测漏报率也低至0.48％,检测速度比其他深度模型的检测方法提高了6倍以上.同时在极少标记样本的情况下仍有85％以上的正确率.通过多层网络结构的构建提高了对U2L、R2L这两类攻击的检测率.该方法集成深度学习和无监督学习的优点,能对高维度,大数据的网络记录用较少的参数得到更好的表达,在入侵检测的检测速度以及特征表达两个方面都具有优势.