Intrusion Detection Model Based on Multi-Kernel Approximation and Deep Neural Network

Yukun Wu

doi:10.1002/spy2.70117

2025-10-13

PRE

DOI：10.1002/spy2.70117

原文链接

原文求助

摘要

En 中文

旨在解决支持向量机（SVM）模型在处理大规模网络入侵时存在的时间效率低和泛化能力差的问题，本文提出了一种结合深度神经网络（DNN）和多核近似SVM的大规模鲁棒入侵检测模型。DNN进行表示学习以提取内在特征，并对数据集进行降维。本文利用多核学习的能力来适应输入空间中各种特征的独特特性，并进一步旨在提高模型的鲁棒性。使用随机傅里叶特征执行核近似的多核近似SVM能够处理大规模数据集。该模型采用梯度下降方法从头训练神经网络和多核SVM，梯度下降算法能够有效最大化向全局最小值的收敛，从而提高模型的总体准确率。我们的模型在三个不同规模的入侵检测数据集上进行了测试：UNSW-NB15、CIC-IDS2017和CIC-IDS2018，并与最新的学习模型（如梯度提升树、CNN、LSTM、GNN、迁移学习以及不同变体的SVM模型）进行了比较。本文提出的模型的准确率比当前流行的入侵检测模型提高了1%-4%。实验结果表明，在处理大规模数据集时，我们的模型具有更高的分类性能和更好的鲁棒性，同时降低了时间复杂度。

Keyword:

deep neural network

intrusion detection

kernel approximation

random Fourier features

support vector machine