多层极限学习机在入侵检测中的应用Intrusion - 中文信息学报.PDF

JournalofComputerApplications ISSN 1001-9081 2015- 【-10 计算应用,2015, 【( 【): 【- 【 CODENJYIIDU 文章编号:1001-9081(2015) 【-0000-00 oi:10.11772/j.issn.1001-9081.2015. 【.0000 多层极限学习机在入侵检测中的应用 * 康松林，刘乐，刘楚楚，廖锓 (中南大学 信息科学与工程学院，湖南 长沙 410083) (*通信作者电子邮箱sunkang@) 摘 要：针对神经网络在入侵检测应用存在的高维度，大数据，获取标记样本难，特征构造难，训练难这 几个问题，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KDD 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。 关键词：入侵检测；高维度；大数据；获取标记样本；特征构造；训练；多层极限学习机 中图分类号：TP393.08 文献标志码：A IntrusionDetectionBasedonMultipleLayerExtreme LearningMachine KANGSonglin LIULe LIUChuchu LIA Qin ， ， ， (SchoolofInformationScienceandEngineering, CentralSouth University,Changsha410083,China) Abstract: In view ofhigh dimension,big data, the difficulty of getting labeled samples,the problem of feature expressionandtraining existinginthe applicationofneuralnetwork inintrusiondetection,anintrusiondetection method based on multiple layer extreme learning machine (ML-ELM) was proposed in this paper. Firstly, the highest levelabstractfeaturesofthedetectionsampleswere extractedbyMulti-layernetwork structureanddepth learningmethod. The characteristicsofintrusiondetectiondatawere expressedby singularvalues. Secondly,the extrememachinewasusedto establishthe classificationmodel ofintrusiondetectiondata .Then,theproblem of hard to obtain labeled samples was solvedby using a layer b