融合IPCA和CNN的增量入侵检测模型

摘要

入侵检测是目前网络安全防护的一个重要环节,由于传统入侵检测模型时间长、学习能力弱,因此提出了一种基于增量主成分分析方法(Incremental Principal Component Analysis,IPCA)和卷积神经网络(Convolutional Neural Networks,CNN)结合的方法,融合增量的思想能够使模型不断更新并拥有持续的学习能力。首先用IPCA方法对数据集进行降维处理,该算法将样本分批传入模型进行训练以不断更新特征基以及均值;最后找出主成分特征子集,再用CNN对其进行分类训练。实验采用KDD-CUP99以及UNSW-NB15作为实验的数据集进行对比。研究结果表明,IPCA-CNN模型的准确率、F1值和误报率分别达到了99.7%、99.3%和0.2%;同传统机器学习入侵检测算法相比有所提升,验证了IPCA-CNN模型的有效性。