基于深度信念网络和三支决策的入侵检测算法

杜祥通,李永忠

（江苏科技大学计算机学院，镇江，212100）

网络安全是计算机网络领域亟待解决的问题，如何识别网络攻击是关键［1］.入侵检测技术是网络安全的重要技术之一，引起了国内外学者的广泛关注［2］.由于当今网络的智能化和复杂性，传统的入侵检测技术很难应用于新的网络入侵［3］.

常见的传统的机器学习算法有支持向量机（Support Vector Machine，SVM）［4］、K近邻算法（K⁃Nearest Neighborhood，KNN）［5］和随机森林算法（Radom Forest，RF）［6］等，上述方法已经在入侵检测中得到了大量的应用，在一定程度上提高了入侵检测的性能；然而传统的基于机器学习的算法不能自主地学习特征，需要手工构造特征.

为了解决上述问题，一些基于深度学习的入侵检测方法得到了广泛的发展，如深度神经网络［7］和深度信念网络［8］等.然而，现有的基于深度学习的方法需要大量的数据，当其中的未标记数据太多时，入侵检测效果并不理想.此外，现有的入侵检测方法都是传统的二分类方法，当特征不足或信息不足时，一些数据会被误分类.本文将深度信念网络与三分支决策理论相结合，建立了入侵检测模型.利用DBN获得不同粒度的特征，利用基于三支决策理论的分类器对网络行为进行初步分类，使用KNN分类器基于多粒度特征空间对边界域数据进行分类.最后，利用NSL⁃KDD数据集评价算法的综合性能.

1 相关理论

1.1 深度信念网络深度信念网络（Deep Belief Network，DBN）由Hinton et al［9］提出，作为一种深度学习方法它到了广泛的关注，并在目标检测、语音识别等领域得到了成……