结合堆栈自编码器和FSVM的入侵检测方法

摘要

大规模、高维度的样本数据会对支持向量机模型的学习速度与学习效果产生巨大影响，为此提出一种结合堆栈自编码器和快速支持向量机的入侵检测方法。搭建基于堆栈自编码器的降维模型，通过该模型对网络数据进行特征提取，获取高质量的特征数据。使用聚类算法分别对样本中不同类型的数据进行聚类操作，计算不同类型样本间簇的相似度，以获取不同类型样本间的相似簇；将相似簇中的样本数据作为支持向量机模型的输入，从而降低输入样本的规模，提高模型的学习速度。仿真结果表明，本方法可有效提高支持向量机模型对大规模高维数据的学习速度和学习效果。

关键词

支持向量机(SVM) / 特征提取 / 样本规模归约 / 堆叠自编码器 / 入侵检测

基金资助

国家自然科学基金（61762028）