基于DNN-FM模型的网络入侵检测研究

张全龙，王怀彬

（天津理工大学 计算机科学与工程学院，天津300384）

入侵检测技术是计算机网络安全的重要组成部分.入侵检测的概念是James Nderson于1980首次提出[1].当前流行的入侵检测方法是通过使用不同的机器学习来降低错误率技术.入侵检测系统（intrusion detection system，IDS）[2]是提供本地网络服务以确保网络系统安全的独立系统.目前，有很多入侵检测方法，并且许多预测是通过机器学习算法完成的[3，8].使用传统的机器学习算法AdaBoost来研究，能保持较好的检测率[4].使用朴素贝叶斯多项式分类器，此方法介绍了针对正常流量和攻击感染流量的实时计算机网络数据捕获的技术[5].使用AdaBoost增强朴素贝叶斯来提高弱分类算法准确度[8].中使用混合数据挖掘方法k-means和（k-nearest neighbor，KNN）以减少时间系统的复杂度[7].使用了一种基于改进的kmeans和（support vector data description，SVDD）的异常检测算法，通过计算SVDD构成的最小超球的距离，如果测试样品小于在超球面的中心，则测试样本属于此类[6].提出了一种基于改进的K-means和多级（support vector machines，SVM）的网络入侵检测算法.该算法使用改进的K-means将要检测的数据划分为不同的聚类，并标记为正常或异常.然后使用多级SVM对异常集群进行标记，进行详细分类，最终实现对网络攻击的检测.

所有这些方法，朴素贝叶斯[4]，AdaBoost[5]，SVM[6]，KNN[8]等是传统的机器学习方法，主要是基于规则的方法.而这些方法不能够对低阶特征和高阶特征交互学习，本文使用的DNN-FM模型由于可以对低阶特征和高阶特征交互学习，所以可以提取更多的抽象入侵特征，有较高……