CWGAN-DNN:一种条件Wasserstein生成对抗网络入侵检测方法
贺佳星
王晓丹
宋亚飞
来杰
空军工程大学防空反导学院,西安,710051
摘要：针对现有的基于机器学习的入侵检测系统对类不平衡数据检测准确率低的问题,提出一种基于条件Wasserstein生成对抗网络(CWGAN)和深度神经网络(DNN)的入侵检测(CWGAN-DNN).CWGAN-DN N通过生成样本来改善数据集的类不平衡问题,提升对少数类和未知类的检测效率.首先,通过变分高斯混合模型(VGM)对原始数据中的连续特征进行处理,将连续特征的高斯混合分布进行分解;然后利用CWGAN学习预处理后数据的分布并生成新的少数类数据样本、平衡训练数据集;最后,利用平衡训练集对DNN进行训练,将训练得到的DNN用于入侵检测.在NSL-KDD数据集上进行的实验结果表明:利用CWGAN生成的数据进行训练,DNN的分类准确率和F1分数提升了5％,AUC下降了2％;与其他类均衡方法相比,CWGAN-DNN的准确率至少提升了3％、F1分数和AUC提升了1％.
关键词：入侵检测类均衡技术生成对抗网络深度神经网络高斯混合模型
分类号：TP393.08(计算技术、计算机技术)
资助基金：国家自然科学基金(61876189)国家自然科学基金(61273275)国家自然科学基金(61806219)国家自然科学基金(61703426)
论文发表日期：2021-10-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 67-74 )
英文信息