基于生成对抗网络的入侵检测类别不平衡问题数据增强方法

摘要：

数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素.当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果.针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡.通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率.

关键词：生成对抗网络、入侵检测、非均衡数据集、数据增强

所属期刊栏目：22

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家社会科学基金;国家自然科学基金;河南省科技公共项目

在线出版日期：2022-08-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：7965-7971