文献

J-GLOBAL ID：202002248269876811   整理番号：20A2598302

Fisher-PCAと深さ学習に基づく侵入検出手法の検討【JST・京大機械翻訳】

Intrusion Detection Method Based on Fisher-PCA and Deep Learning

著者 (2件)： Zhang Xinjie (浙江工商大学計算机与信息工程学院,杭州,310018) ,  Ren Wuling (浙江工商大学計算机与信息工程学院,杭州,310018)
資料名： Shuju Caiji yu Chuli  (Shuju Caiji yu Chuli)
巻： 35  号： 5  ページ： 956-964  発行年： 2020年 
JST資料番号： W1502A  ISSN： 1004-9037  CODEN： SCYCE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 攻撃形式の多様化,侵入データ量および多次元化環境におけるネットワーク攻撃を迅速かつ正確に認識するために,Fisher-PCA特徴抽出と深さ学習を組み合わせた侵入検出アルゴリズムを提案した。Fisher特徴選択アルゴリズムにより重要な特徴部分集合を抽出し、主成分分析(Principalcomponentanalysis,PCA)に基づいて特徴部分集合を次元縮小し、分類能力の強い特徴集合を抽出した。新しい深さニューラルネットワーク(DNN)モデルを,ネットワーク攻撃データと正常データの識別と分類のために構築した。KDD99データセット上で実験を行った。伝統的な人工神経回路網(Artificialneuralnetwork,ANN)とサポートベクトルマシン(Supportvectormachine,SVM)アルゴリズムと比べ、この侵入検出アルゴリズムの精度はそれぞれ12向上した。63%と6.77%,誤警報率は2.31%と1.96%から0.28%に減少した。DBN4およびPCA-CNNアルゴリズムと比較して,精度および検出率は,ほとんど同じであった。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  ニューラルネットワーク ,  特徴抽出 ,  特徴選択 ,  高次元 ,  多様化 ,  主成分分析 ,  次元縮小 ,  サポートベクトルマシン
準シソーラス用語： *侵入検知 ,  検出率 ,  検出アルゴリズム ,  データ量 ,  誤警報率 , 【Automatic Indexing@JST】

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (3件)： 学習 ,  侵入 ,  手法