[发明专利]一种基于改进学习率的深度学习网络入侵检测方法在审
| 申请号： | 201910392003.7 | 申请日： | 2019-05-13 |
| 公开（公告）号： | CN110300095A | 公开（公告）日： | 2019-10-01 |
| 发明（设计）人： | 宋雪桦;汪盼;解晖;邓壮来;王昌达;金华 | 申请（专利权）人： | 江苏大学 |
| 主分类号： | H04L29/06 | 分类号： | H04L29/06;H04L12/24 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 212013 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于改进学习率的深度学习网络入侵检测方法，通过改进深度信念网络模型在训练中的学习率及迭代次数的确定方法，利用改进的深度信念网络模型和softmax回归函数的优点建立网络入侵检测用的深度信念网络‑softmax多分类组合模型，使用公开的网络入侵检测数据集的训练数据对模型进行训练，并使用训练完成的模型对网络入侵检测数据集的测试数据进行识别分类。本发明利用自适应学习率实现模型参数的快速收敛，将优化后的深度信念网络‑softmax多分类组合模型用于入侵检测系统，可以有效提高攻击行为的识别准确率，同时能够提高检测效率。 | ||
| 搜索关键词： | 网络入侵检测 信念网络 分类组合 数据集 改进 学习 入侵检测系统 自适应学习 测试数据 攻击行为 回归函数 快速收敛 模型参数 训练数据 准确率 迭代 分类 检测 优化 | ||
【主权项】：
1.一种基于改进学习率的深度学习网络入侵检测方法，其特征在于，包括如下步骤：步骤1：改进深度信念网络(DBN)模型在训练中的学习率及迭代次数的确定方法；步骤2：利用改进的深度信念网络模型和softmax回归函数建立网络入侵检测用的深度信念网络‑softmax多分类组合模型；步骤3：使用公开的网络入侵检测数据集的训练数据对步骤2的多分类组合模型进行训练；步骤4：使用训练完成的多分类组合模型对网络入侵检测数据集的测试数据进行识别分类。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于江苏大学，未经江苏大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910392003.7/，转载请声明来源钻瓜专利网。
