基于Spark-ML+Conv-LSTM的混合入侵检测系统

来源 :微型电脑应用 | 被引量 : 0次 | 上传用户：shengyue1212

【摘要】

：

为了提高网络入侵检测的准确率,提出了基于Spark-ML分类器和卷积LSTM(Conv-LSTM)网络的两阶段混合入侵检测系统(IDS).采用Spark-ML分类器构建异常流量检测模块,结合Conv-LSTM网络建立恶意攻击检测模块,兼顾了网络流量的特征提取和入侵类别的深度分析,实现了全局和局部潜在威胁特征的准确识别.通过ISCX 2012数据集进行验证,验证结果表明:所提出的混合IDS能够在97.29％的情况下准确地识别网络入侵,在10倍交叉验证测试中优于其他检测方法,并且具有较高的精确度和较低的误报率

【作者】

：

杨吉鹏谢辉

【机构】

：

杭州网易云音乐科技有限公司,浙江杭州310052

【出处】

：

微型电脑应用

【发表日期】

：

2021年12期

【关键词】

：

入侵检测系统深度学习 Spark-ML Conv-LSTM

下载到本地 , 更方便阅读

下载此文赞助VIP

声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架

论文部分内容阅读

其他文献

正交频分复用信号峰均比抑制技术研究

正交频分复用(OFDM)系统存在峰值平均功率比(PAPR)较高的缺点.通过对PAPR相关特性的深入讨论分析,针对峰值抵消波峰因子降低(PC?CFR)算法引入的非线性失真较大的问题,提出了一种可降低信号非线性失真的峰均比抑制算法,即PC?CFR算法与部分传输序列(PTS)算法联合改进的PAPR抑制方案.仿真结果表明,该方案显著降低了信号的误差向量幅度(EVM),并且在系统误码率方面得到了良好的改善,在文中仿真条件下,改善程度约5 dB.

期刊

正交频分复用峰均比峰值抵消波峰因子降低部分传输序列

基于历史数据驱动的心理障碍预测模型

为了提高心理障碍预测准确性,提出了基于历史数据驱动的心理障碍预测模型.首先采集心理障碍的相关历史数据,对历史数据进行预处理,并提取一些关键属性;然后根据这些关键属性,采用隐马尔科夫方法对属性进行数据挖掘,建立心理障碍预测模型;进行心理障碍预测实验.结果表明,这一模型的心理障碍预测精度高,降低了心理障碍预测误差.

期刊

历史数据数据挖掘心理障碍预测模型关键属性隐马尔科夫

基于Spark-ML+Conv-LSTM的混合入侵检测系统

其他学术论文