基于dCNN的入侵检测方法
为了进一步提高入侵检测系统的检测准确率和检 测效率,提出了一种基于深度卷积神经网络的入侵检测方 法(dCNN)。该方法使用深度学习技术,如tanh、Dropout 和Softmax等,设计了深度入侵检测模型。首先通过数据填 充的方式将原始的一维入侵数据转换为二维的“图像数据”, 然后使用dCNN 从中学习有效特征,并结合 Softmax分类 器产生最终的检测结果。该文基于 Tensorflow-GPU 实现了 该方法,并在一块 NvidiaGTX10603GB的 GPU 上,使用 ADFA-LD和 NSL-KDD数据集进行了评估。结果表明:该 方法减少了训练时间,提高了检测准确率,降低了误报率, 提升了入侵检测系统的实时处理性能和检测效率。
文件下载
评论信息
其他资源
- librarymanagesystem.sql
- 高频电子线路(第五版)学习指导书及课后习题答案
- 掌讯3580T系列-同行者3.6.3更新增量包（内有说明）.rar
- k-means聚类算法的matlab实现
- [汤蕴璆 编著] 2014年
- Oracle 10g 10.2.0.1 的ole db 驱动
- 光纤 分步傅里叶法 非线性薛定谔方程
- 基于51单片机的可调直流稳压器
- PDFeditor软件
- 基于Matlab的植物叶面积数字摄影图像处理
- Xcelsius 2008 水晶易表综合例子和源码
- Xilinx_硬核使用_可行性预研.docx
- 单片机课设电子万年历
- vb.net2010商品销售管理系统
- Learning.React.2017.4.epub
- 【kettle】10分钟搞定kettle源码部署
- 专业人声后期处理各步骤(超级详细)
- 一个监护仪上位机C++程序
- 基于ssh的微博系统
- 音乐网站源码(Java)
- 全国城市数据库（MySQL版）
- 搅拌摩擦焊温度场模拟
- 如何使用CiteSpace进行中文的文献分析（II）：CSSCI部分
- TDC-GP2在超声波流量计时差法中的应用
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明