融合过-欠采样与GAN的网络入侵检测方法

摘要

随着互联网技术的发展，网络数据流量每秒激增，伴随而来更多的安全问题.针对网络入侵数据集类不平衡和数据维度高导致的分类不准确问题，本文提出一种融合过-欠采样和GAN的网络入侵检测方法.采用随机欠采样减少多数类样本数量，以避免欠拟合问题.同时，通过合成少数类过采样技术合成少数类样本，以降低类不平衡所带来的影响.此外，结合GAN使合成样本更接近真实样本，以解决SMOTE中新合成样本缺乏合理性的问题.最后，集成自编码器，通过降低数据集的维度来减少内存占用，并加速分类模型的训练.在CICIDS2017数据集上进行对比实验，结果表明本文提出的融合过-欠采样和GAN的网络入侵检测方法性能优于其他方法.

关键词

网络入侵检测 / 生成对抗网络 / SMOTE / 自编码器

基金资助

广东省重点领域研发计划项目（2019B010139002）资助; 广东省国际科技合作领域项目（2019A050513010）资助