.png){kind=icon}
返回
An efficient intrusion detection system using unsupervised learning AutoEncoder
.png){kind=icon}
PRE
AI
DOI：10.1504/IJGUC.2026.152668.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，针对网络环境的攻击正迅速变得更加复杂和智能化，现有基于签名的入侵检测系统的局限性日益凸显。对于高级持续性威胁（APT）等新型攻击，签名模式存在泛化性能差的问题。为解决此问题，基于机器学习的入侵检测系统研究正在积极进行。然而，在实际网络环境中，攻击样本的收集量远少于正常样本，因此存在类别不平衡问题。当使用这些数据训练基于监督学习的异常检测模型时，结果会偏向正常样本。本文采用自编码器（AE）进行单类异常检测以解决此不平衡问题。实验评估采用CIC-IDS2017数据集，并将所提方法与监督模型进行比较以评估性能。
Keyword:
intrusion detection system
advanced persistent threat
CIC-IDS2017
AutoEncoder
machine learning
data analytics
期刊
I
IF:
0.7
论文数:
20
被引数:
180