關(guān)鍵詞：入侵檢測 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 極限學(xué)習(xí)機(jī) 支持向量機(jī) 

摘要：針對(duì)現(xiàn)有網(wǎng)絡(luò)入侵檢測方法在處理高維度、非線性的海量數(shù)據(jù)時(shí)檢測效率低和準(zhǔn)確率低的問題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和極限學(xué)習(xí)機(jī)(ELM)的組合式入侵檢測方法(CNN-ELM)。通過數(shù)值化映射、歸一化及維度重組對(duì)原始網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理,利用CNN網(wǎng)絡(luò)自動(dòng)提取原始網(wǎng)絡(luò)數(shù)據(jù)的深層特征,將ELM作為分類器對(duì)提取到的特征進(jìn)行入侵檢測分類。采用NSL-KDD數(shù)據(jù)集對(duì)CNN-ELM進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,與SVM、CNN及ELM方法相比,CNN-ELM能有效提高入侵檢測的準(zhǔn)確率,具有較好的泛化能力和實(shí)時(shí)性。

計(jì)算機(jī)工程與設(shè)計(jì)雜志要求:

{1}根據(jù)論文情況可自行決定是否列舉閱讀型參考文獻(xiàn)；閱讀型參考文獻(xiàn)用文后尾注形式，以帶方括號(hào)的阿拉伯?dāng)?shù)字（［1］［2］［3］……）順序編號(hào)排列。閱讀型參考文獻(xiàn)可不標(biāo)注具體頁碼。

{2}來稿要求來稿要有科學(xué)性、真實(shí)性、先進(jìn)性。設(shè)計(jì)合理，結(jié)構(gòu)嚴(yán)密，層次分明，文通句順，統(tǒng)計(jì)學(xué)方法正確。

{3}來稿請注明作者單位、聯(lián)系方式及確切通信地址。所有稿件，請作者自留底稿，無論采用與否，恕不退還。

{4}正文各級(jí)標(biāo)題一律采用阿拉伯?dāng)?shù)字連續(xù)編號(hào)，同級(jí)題不同層次的數(shù)字之間用下圓點(diǎn)相隔，最末一位數(shù)后不加標(biāo)點(diǎn)。

{5}來稿請寫明詳細(xì)通訊地址及聯(lián)系電話，并附作者簡介，內(nèi)容如下：姓名、出生年、性別、民族（漢族可省略）、籍貫、學(xué)位、職稱和最高學(xué)術(shù)職務(wù)及研究方向。

注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社