.png){kind=icon}
返回
Network Intrusion Detection Method Based on Semi-Supervised Learning and Random Forest
.png){kind=icon}
PRE
AI
DOI：10.23919/transcom.2024EBP3204.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络入侵检测系统（NIDS）作为防御恶意攻击的关键工具，仍然存在若干局限性，例如误报和漏报、对新攻击的适应性有限以及可扩展性问题。为提升NIDS对新攻击的适应性和实时检测能力，本文提出了一种基于半监督学习和随机森林的网络入侵检测方法。首先，采用自编码器降低NSL-KDD数据集的维度，增强对高维复杂数据的鲁棒性。其次，通过DBSCAN聚类方法建立半监督学习框架，提升模型的性能和稳定性。最后，采用多层感知器（MLP）进行数据特征选择并提取最优特征子集，构建随机森林（RF）分类器以降低计算复杂度并有效提升模型性能。实验结果表明，所提方法在NSL-KDD和UNSW-NB15数据集上的准确率分别提升了8.92%和6.1%，表明其具备良好的泛化能力和鲁棒性，实现了对网络入侵及攻击类型的精确高效检测与分类。
Keyword:
network intrusion detection
semi-supervised learning
random forest
multi-layer perceptron
autoencoder
期刊
I
IF:
0.6
论文数:
193
被引数:
1.2K
机构
引用论文
NIDS-CNNLSTM: Network Intrusion Detection Classification Model Based on Deep LearningNIDS-CNNLSTM: 基于深度学习的网络入侵检测分类模型.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Large-Scale and Robust Intrusion Detection Model Combining Improved Deep Belief Network With Feature-Weighted SVMIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Deep Learning Approach for Intelligent Intrusion Detection System面向智能入侵检测系统的深度学习方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Ensemble-Based Deep Learning Models for Enhancing IoT Intrusion Detection基于集成方法的深度学习模型以增强物联网入侵检测OAAI
OAAI分享收藏
查看更多内容