已有入侵检测模型普遍只针对网络入侵行为的静态特征进行分析检测，造成检测率低及误报率高等缺陷，且无法有效应用低频攻击。为此提出一种新的基于深度循环神经网络（DRNN）和区域自适应合成过采样算法（RA-SMOTE）的组合式入侵检测模型（DRRS）。首先，RA-SMOTE 对数据集中低频攻击样本进行自适应区域划分，实现差别样本增量，从数据层面提升低频攻击样本数量；其次，利用 DRNN 特有的层间反馈单元，完成多阶段分类特征的时序积累学习，同时多隐层网络结构实现对原始数据分布的最优非线性拟合；最后，使用训练好的DRRS模型完成入侵检测。实验结果表明，相比已有入侵检测模型，DRRS在改善整体检测效果的同时显著提高了低频攻击检测率，且对未知新型攻击具有一定检出率，适用于实际网络环境。
2022-02-03 20:32:31
770KB
1
针对非平衡数据集中类分布信息不对称现象，提出一种新的过采样算法DB_SMOTE（Distance-based Synthetic Minority Over-sampling Technique），通过合成少数类新样本解决样本不足问题。算法基于样本与类中心距离，结合类聚集程度提取种子样本。根据SMOTE（Synthetic Minority Over-sampling Technique）算法思想，在种子样本上实现少数类新样本合成。根据种子样本与少数类中心距离构造新样本分布函数。基于此采样算法并在多个数据集上进行分类实验，结果表明DB_SMOTE算法是可行的。
2021-12-31 22:46:47
558KB
1
过采样算法 SMOTEFUNA 的 Matlab 实现，原始论文可在此处获得： https ://ieeexplore.ieee.org/document/9045990。 请如果您在任何项目中使用此方法，请不要忘记引用原始文章： Tarawneh, Ahmad S., 等。 “SMOTEFUNA：基于最远邻算法的合成少数过采样技术。” IEEE 访问 8 (2020)：59069-59082。
2021-11-04 21:56:27
2KB
1
对于21种主流的采样算法，使用UCI官方保险数据集，对不平衡数据集进行了python实验，基于AUC和F1进行了评分，对所有结果进行了注释。
2019-12-21 21:47:09
183KB
1