论文部分内容阅读
近些年来,深度学习的应用越来越广泛,已成为最热门的研究领域之一。以深度神经网络(Deep Neural Network,DNN)和卷积神经网络(Convolutional Neural Network,CNN)为主的网络模型,具有优秀的特征提取能力和高维数据处理能力。然而,DNN和CNN在入侵检测中的性能很容易受到初始权重和阈值等网络结构参数的影响,目前这些参数的选择多依赖于人工经验,在相同的问题上,不同的选择方式会导致网络模型学习性能的较大差异。随着DNN和CNN的不断复杂化,人工选择模型结构参数的方法已经越来越不具有实用性。本文基于遗传算法,研究DNN、CNN的结构和参数优化的方法,并将优化后的DNN、CNN应用于入侵检测中。本文首先提出了一种基于遗传算法的DNN结构与参数优化方法并将其应用于入侵检测中。利用遗传算法对DNN隐藏层的数目、学习率及训练次数等进行寻优,改善DNN的学习和泛化能力。设计合理的隐藏层数目、学习率及训练次数的变异规则,提高寻找最优值的收敛速度、群体的多样性及预测精度。同时构建不同隐藏层数的DNN模型框架,验证本文所提方法在隐藏层数目不断增加后同样具有一定的优化性能。最后利用预处理后的KDDCUP99数据集进行实验验证,结果表明,相比未优化的几种DNN结构和经典机器学习算法,该方法在准确率、检测率有一定的提升,误报率也有一定的改善。本文然后给出了一种基于遗传算法的CNN结构与参数优化方法并将其应用于入侵检测中。利用遗传算法强大的全局寻优能力来自动选择最优初始权重、阈值、网络结构、优化器及全连接层神经元数等参数的最优CNN模型结构,扩展CNN结构的多样性,减少训练时间,使CNN结构趋向自动化。同时构建不同卷积层、池化层数的CNN基础框架,验证本文所提方法在卷积层、池化层数增加的情况下,同样具有一定的优化性能。利用KDDCUP99数据集进行实验验证,实验结果证明,所提方法和未优化的CNN模型在准确率和检测率上有一定提升,误报率也有所改善;相比于经典机器学习算法,准确率和检测率显著提升,误报率也显著降低。