结合随机森林的PSO-CNN入侵检测研究  

PSO-CNN INTRUSION DETECTION COMBINED WITH RANDOM FOREST

作　　者：谭敏生[1] 杨帅创 丁琳[1] 彭敏 Tan Minsheng;Yang Shuaichuang;Ding Lin;Peng Min(School of Computer Science,University of South China,Hengyang 421001,Hunan,China)

机构地区：[1]南华大学计算机学院,湖南衡阳421001

出　　处：《计算机应用与软件》2021年第12期326-331,共6页Computer Applications and Software

基　　金：国家自然科学基金项目(61403183);湖南省自然科学基金项目(2017JJ4048);湖南省教育厅科学研究重点项目(18A230);湖南省财政厅科学研究项目(20183350502)。

摘　　要：为了提高网络入侵检测的准确率、精确率,降低误报率,提出一种结合随机森林(Random-Forest,RF)的粒子群算法(Particle Swarm Optimization,PSO)优化卷积神经网络(Convolutional Neural Networks,CNN)结构及初始参数算法。该方法结合随机森林理论、PSO的全局寻优特点和CNN提取特征的局部相关性能力。在数据预处理阶段,通过随机森林进行数据特征提取,并作为模型的输入数据。采用粒子群算法优化CNN网络结构,使CNN在非经验指导下自主选择最佳网络结构和初始参数。实验结果表明,该方法在准确率、精确率、误报率方面均优于经典卷积神经网络、粒子群优化反向传播(BP)算法、粒子群优化支持向量机(SVM)算法及目前流行的集成学习方法。In order to improve the accuracy rate,precision rate of the intrusion detection and reduce the false alarm rate,this paper proposes a particle swarm optimization(PSO)combined with random forest(RF)to optimize the structure and initial parameters of CNN.This method combined the advantage of the random forest theory,the global optimization of PSO and local correlation features extraction of CNN.It selected feature by random forest in data processing as the inputs of model in the data preprocessing stage.PSO was used to optimize CNN network structure,so that CNN could select the best network structure and initial parameters automatically without experienced guidance.The experimental results show that this method is superior to classical CNN,PSO-PB,PSO-SVM and popular ensemble learning methods in accuracy rate,precision rate and false alarm rate.

关 键 词：随机森林 粒子群算法 卷积神经网络 入侵检测 结构优化 

分 类 号：TP309.2[自动化与计算机技术—计算机系统结构]