• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Applied Soft Computing >Network anomaly detection using channel boosted and residual learning based deep convolutional neural network
【24h】

Network anomaly detection using channel boosted and residual learning based deep convolutional neural network

机译：网络异常检测使用信道提升和基于剩余学习的深卷积神经网络

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Anomaly detection in a network is one of the prime concerns for network security. In this work, a novel Channel Boosted and Residual learning based deep Convolutional Neural Network (CBR-CNN) architecture is proposed for the detection of network intrusions. The proposed methodology is based on inherent nature of the anomaly detection in which one class classification approach is used to detect network intrusion. This is accomplished by the modelling of normal network traffic distribution using Stacked Autoencoders (SAE). Using unsupervised training, SAE transforms the original feature space into a reconstructed feature space, which is further transformed via the proposed concept of channel boosting. Additionally, in order to increase the representational power of the neural network and the diversity in features representation, a multipath residual learning based CNN architecture is proposed to learn features at different levels of granularity. Performance of the proposed CBR-CNN technique is evaluated on NSL-KDD dataset. Our proposed method showed significant improvement over the existing techniques, achieving accuracy, AU-ROC, and AU-PR of 89.41%, 0.9473, and 0.9443 on Test(+) and 80.36%, 0.7348 and 0.9034 on Test(-21) dataset, respectively. (C) 2019 Elsevier B.V. All rights reserved.
机译：网络中的异常检测是网络安全的主要问题之一。在这项工作中，提出了一种新的频道提升和基于剩余学习的深卷积神经网络（CBR-CNN）架构，用于检测网络入侵。所提出的方法是基于异常检测的固有性质，其中使用一种类分类方法来检测网络侵扰。这是通过使用堆叠的autoencoders（SAE）的正常网络流量分布的建模来实现的。使用无监督的培训，SAE将原始特征空间转换为重建的特征空间，该空间通过所提出的信道提升概念进一步转换。另外，为了提高神经网络的代表性和特征表示中的分集，提出了一种基于多径残差学习的CNN架构，以学习不同粒度水平的特征。在NSL-KDD数据集中评估所提出的CBR-CNN技术的性能。我们所提出的方法显示出对现有技术的显着改善，在测试（+）和80.36％，0.7348和0.9034上，在测试（+）和80.36％，0.7348和0.9034上，实现了89.41％，0.9473和0.9443的效果显着改善分别。 （c）2019年Elsevier B.V.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号