基于数据增强的DBN-ELM入侵检测方法

摘要：

随着工业4.0时代的到来,工控安全事件频发,工控信息安全问题已经备受关注.由于工控环境较为复杂,导致传统机器学习方法在分类大量工控数据时存在收敛速度慢、泛化性较差以及数据分布不均衡等问题.为了解决此类问题,采用一种基于WGAN-GP数据增强并运用深度信念网络和极限学习机相结合的深度学习入侵检测方法,本方法基于一种梯度惩罚的生成对抗网络数据增强并将深度信念网络(deep belief network,DBN)自动提取特征的能力与极限学习机(extreme learning ma-chine,ELM)快速学习的能力相结合.采用加拿大网络安全研究所公布的CICIDS2017数据集对所提出的算法进行测试,经过对比实验证明了该方法精度更高、收敛速度更快.为了验证所提出算法在工控环境中的适用性,同时采用密西西比州立大学天然气管道数据集进行验证,证明了该算法在工业环境中具有高精度、误报率低等优点,为工业入侵检测的研究提供了一种新的研究思路.

关键词：极限学习机(ELM)、深度信念网络(DBN)、入侵检测、数据增强、生成对抗网络

所属期刊栏目：22

分类号：TP181(自动化基础理论)

资助基金：辽宁省兴辽英才计划项目XLYC2002085

在线出版日期：2023-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：15195-15202