基于VAE和DLIESN的工控系統(tǒng)入侵檢測(cè)方法

曹春明，何 戡+，宗學(xué)軍，連 蓮

(1.沈陽(yáng)化工大學(xué) 信息工程學(xué)院，遼寧 沈陽(yáng) 110142；2.沈陽(yáng)化工大學(xué) 遼寧省石油化工行業(yè)信息安全重點(diǎn)實(shí)驗(yàn)室，遼寧 沈陽(yáng) 110142)

0 引 言

基于機(jī)器學(xué)習(xí)的入侵檢測(cè)方法[1]近年來(lái)成為學(xué)者們研究的熱點(diǎn)，主流的如算法K近鄰[2]、XGBoost[3]、支持向量機(jī)[4，5]、決策樹[6]和隨機(jī)森林[7，8]等應(yīng)用到入侵檢測(cè)中均取得了一定的效果。

目前，工控系統(tǒng)入侵檢測(cè)在取得成功的同時(shí)還存在兩個(gè)問(wèn)題亟需解決：①樣本不平衡導(dǎo)致模型輸出的預(yù)測(cè)結(jié)果傾向于多數(shù)類，弱化了模型的實(shí)際分類能力；②模型訓(xùn)練復(fù)雜，現(xiàn)實(shí)中的網(wǎng)絡(luò)流量傳輸速度很快，現(xiàn)有方法大多只關(guān)注模型的預(yù)測(cè)精度而忽略了檢測(cè)速率。針對(duì)樣本不平衡問(wèn)題，本文采用變分自編碼器(variational auto-encoders，VAE)對(duì)數(shù)據(jù)集中的少數(shù)類樣本進(jìn)行擴(kuò)充，變分自編碼器是一種深度生成模型，其重構(gòu)原始輸入樣本概率密度分布的能力可以用來(lái)生成攻擊樣本。針對(duì)模型結(jié)構(gòu)復(fù)雜導(dǎo)致檢測(cè)速率低的問(wèn)題，本文提出了一種基于深度漏積回聲狀態(tài)網(wǎng)絡(luò)(deep leaky integrator echo state networks，DLIESN)的入侵檢測(cè)分類模型，漏積回聲狀態(tài)網(wǎng)絡(luò)(leaky integrator echo state network，LIESN)由于舍棄了反向傳播機(jī)制，極大縮短了訓(xùn)練時(shí)間，并且通過(guò)堆疊儲(chǔ)備池可以使模型獲得更好的動(dòng)態(tài)特性。選用天然氣管道數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的優(yōu)越性。

1 相關(guān)原理

1.1 變分自編碼器

圖1 變分自編碼器結(jié)構(gòu)

1.2 漏積回聲狀態(tài)網(wǎng)絡(luò)

LIESN是一種帶有儲(chǔ)備池結(jié)構(gòu)的遞歸神經(jīng)網(wǎng)絡(luò)，它由一個(gè)儲(chǔ)備池和一個(gè)讀出層組成[10]。儲(chǔ)備池內(nèi)部通常由大量的神經(jīng)元組成，神經(jīng)元之間的連接具有隨機(jī)性和稀疏性，主要功能是將外部輸入映射到高維動(dòng)態(tài)空間中，由此來(lái)獲得較好的動(dòng)態(tài)性能。LIESN的結(jié)構(gòu)如圖2所示。

圖2 漏積回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)

設(shè)NU、NR分別為輸入特征維度和儲(chǔ)備池內(nèi)神經(jīng)元個(gè)數(shù)，u(t)∈RNU和x(t)∈RNR分別表示t時(shí)刻的外部輸入和神經(jīng)元狀態(tài)，儲(chǔ)備池中神經(jīng)元狀態(tài)更新方程如下

(1)

讀出層是一個(gè)線性層，是整個(gè)網(wǎng)絡(luò)唯一可訓(xùn)練的部分，輸入為儲(chǔ)備池得到的狀態(tài)x(t)，用來(lái)計(jì)算網(wǎng)絡(luò)的輸出。設(shè)NY為輸出維度，y(t)∈RNY表示t時(shí)刻的輸出，f為輸出激活函數(shù)，輸出層計(jì)算公式為：y(t)=f(Woutx(t))，其中Wout∈RNY×NR為輸出權(quán)重矩陣。

2 基于VAE和DLIESN的入侵檢測(cè)方法

2.1 樣本均衡化策略

樣本不平衡一直是機(jī)器學(xué)習(xí)中普遍存在的問(wèn)題，如果使用不平衡的數(shù)據(jù)集訓(xùn)練分類模型，模型極有可能學(xué)習(xí)不到正常樣本與攻擊樣本之間的差異，弱化了模型的實(shí)際分類能力。近年來(lái)，深度生成模型成為研究熱門，生成對(duì)抗網(wǎng)絡(luò)[11](generative adversarial networks，GAN)，變分自編碼器[12]等在圖像生成領(lǐng)域取得了巨大成功，實(shí)際上，VAE重構(gòu)原始輸入樣本概率密度分布的能力也可以用來(lái)生成異常流量。為了降低樣本不平衡給模型帶來(lái)的影響，本文使用變分自編碼器對(duì)數(shù)據(jù)集中的罕見(jiàn)攻擊類樣本進(jìn)行擴(kuò)充。

2.1.1 VAE網(wǎng)絡(luò)結(jié)構(gòu)

為生成與源數(shù)據(jù)相似的數(shù)據(jù)，VAE的層級(jí)結(jié)構(gòu)設(shè)置必須合理，本文中VAE的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。所有層級(jí)均采用全連接層，編碼器部分：第一層神經(jīng)元個(gè)數(shù)為9，第二層為兩個(gè)獨(dú)立的全連接層，神經(jīng)元個(gè)數(shù)均為2，一個(gè)用來(lái)計(jì)算均值μ，一個(gè)用來(lái)計(jì)算方差σ，均由第一層引出，中間的隱藏變量z=μ+e0.5σ×eps，eps代表正態(tài)分布。解碼器部分：輸入為z，第一層神經(jīng)元個(gè)數(shù)為9，第二層神經(jīng)元個(gè)數(shù)為輸入維度。

圖3 VAE層級(jí)結(jié)構(gòu)

2.1.2 VAE損失函數(shù)的構(gòu)建

損失函數(shù)的構(gòu)建可分為兩部分：一部分負(fù)責(zé)計(jì)算輸入數(shù)據(jù)與生成數(shù)據(jù)之間的誤差，在本文中采取二分類交叉熵(binary cross entropy)；另一部分負(fù)責(zé)計(jì)算相對(duì)熵(Kullback-Leibler divergence)。

2.1.3 基于VAE的樣本生成

首先將原始數(shù)據(jù)集按照標(biāo)簽類別(0，1，2，…，N)拆分為N個(gè)子集，分別送入變分自編碼器進(jìn)行訓(xùn)練，訓(xùn)練完畢后，保存每個(gè)模型的解碼器部分，最后輸入隨機(jī)生成的服從正態(tài)分布的兩個(gè)數(shù)生成對(duì)應(yīng)類別的仿真數(shù)據(jù)。

2.1.4 數(shù)據(jù)增強(qiáng)思路

數(shù)據(jù)增強(qiáng)的目的是改善樣本總集中正負(fù)樣本差距過(guò)大的情況，平衡樣本分布。添加數(shù)據(jù)就意味著改變了原始樣本的分布，所以，在數(shù)據(jù)增強(qiáng)前，劃分好數(shù)據(jù)集，只增強(qiáng)訓(xùn)練集，使模型能夠充分學(xué)習(xí)到罕見(jiàn)攻擊類樣本的內(nèi)部特性，而測(cè)試集不做任何改動(dòng)，盡可能保留原有的樣本分布。

2.2 深度漏積回聲狀態(tài)網(wǎng)絡(luò)設(shè)計(jì)

工控系統(tǒng)入侵檢測(cè)與普通的網(wǎng)絡(luò)入侵檢測(cè)相比，檢測(cè)指標(biāo)要求更加苛刻，工控系統(tǒng)入侵檢測(cè)在保證高精確率的同時(shí)還要求高檢出率，同時(shí)為了適應(yīng)工業(yè)環(huán)境，模型的訓(xùn)練不能過(guò)于復(fù)雜?；芈暊顟B(tài)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力，在時(shí)序預(yù)測(cè)領(lǐng)域應(yīng)用廣泛[13-15]，作為遞歸神經(jīng)網(wǎng)絡(luò)的一種，相比于LSTM、GRU等網(wǎng)絡(luò)，它的訓(xùn)練要簡(jiǎn)單很多，本文選擇回聲狀態(tài)網(wǎng)絡(luò)作為入侵檢測(cè)方法的核心。

2.2.1 DLIESN網(wǎng)絡(luò)結(jié)構(gòu)

計(jì)算機(jī)算力的提升使人們可以搭建更深層次的網(wǎng)絡(luò)，單個(gè)儲(chǔ)備池提供的動(dòng)態(tài)性能有限，提出一種基于深度漏積回聲狀態(tài)網(wǎng)絡(luò)(DLIESN)的入侵檢測(cè)分類模型，DLIESN的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)是儲(chǔ)備池堆疊層次化，如圖4所示。

圖4 深度漏積回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)

2.2.2 儲(chǔ)備池神經(jīng)元狀態(tài)更新設(shè)置

t時(shí)刻，第一層儲(chǔ)備池由外部輸入u(t) 輸入，之后每一層輸入都是由堆棧中前一層的輸出提供的，不同儲(chǔ)備池內(nèi)的參數(shù)設(shè)置具有很強(qiáng)的靈活性，設(shè)有n個(gè)儲(chǔ)備池，每個(gè)儲(chǔ)備池內(nèi)的神經(jīng)元個(gè)數(shù)均為NR，x(l)(t)∈RNR表示t時(shí)刻第l層的神經(jīng)元狀態(tài)。第一層儲(chǔ)備池的神經(jīng)元狀態(tài)更新方程如下

x(1)(t)=(1-a(1))x(1)(t-1)+

(2)

第二層及以后儲(chǔ)備池的神經(jīng)元狀態(tài)更新方程如下

x(l)(t)=(1-a(l))x(l)(t-1)+

(3)

2.2.3 輸出層設(shè)置

與標(biāo)準(zhǔn)的LIESN一樣，DLIESN的輸入權(quán)重矩陣與每個(gè)層間的連接矩陣，儲(chǔ)備池內(nèi)部的循環(huán)權(quán)重矩陣經(jīng)過(guò)預(yù)設(shè)的初始化后，均不需要再訓(xùn)練，需要訓(xùn)練的只有輸出層。為了簡(jiǎn)化訓(xùn)練，本文選用神經(jīng)網(wǎng)絡(luò)中的全連接層作為輸出層，激活函數(shù)設(shè)置為Softmax。輸出層的輸入為每個(gè)儲(chǔ)備池狀態(tài)的加權(quán)和，即最后輸出層的輸入表示為x(t)=(x(1)(t)，x(2)(t)，…，x(l)(t))∈Rl×NR，這樣設(shè)置的優(yōu)點(diǎn)是使輸出層能夠接受多個(gè)儲(chǔ)備池的運(yùn)動(dòng)狀態(tài)，輸出層最后的輸出維度為標(biāo)簽類別。

2.2.4 DLIESN訓(xùn)練流程

工控系統(tǒng)入侵檢測(cè)本質(zhì)上是一個(gè)多分類問(wèn)題，設(shè)ρ為儲(chǔ)備池的譜半徑，c為儲(chǔ)備池內(nèi)神經(jīng)元的連接度，DLIESN的訓(xùn)練流程如下：

Algorithm 1 DLIESN training

Input:feature vector

Output:Label

# Customize each LIESN Class

Cell_1= LIESN_1(NR,ρ,a,c)

Cell_2= LIESN_2(NR,ρ,a,c)

…

Cell_N= LIESN_N(NR,ρ,a,c)

# LIESN Layer

First_input=Input(input_shape)

Layer_1=RNN(Cell_1)(First_input)

Layer_2=RNN(Cell_2)(Layer_1)

…

Layer_N=RNN(Cell_N)(Layer_N-1)

# Output Layer

X=concat((Layer_1,Layer_2,…,Layer_N),axis=2)

X=reshape(X,(-1,NR×N)

3 實(shí)驗(yàn)與結(jié)果

3.1 工控系統(tǒng)入侵檢測(cè)數(shù)據(jù)集

所選用的天然氣管道數(shù)據(jù)集來(lái)自2014年密西西比州立大學(xué)的SCADA安全實(shí)驗(yàn)室，該實(shí)驗(yàn)室搭建了一個(gè)天然氣管道控制系統(tǒng)，用來(lái)模擬將天然氣或其它石油產(chǎn)品輸送到市場(chǎng)的真實(shí)工業(yè)現(xiàn)場(chǎng)，研究人員通過(guò)攻擊該系統(tǒng)收集工業(yè)流量，最后由專家整理制備而成。

表1 天然氣管道數(shù)據(jù)集描述

3.2 數(shù)據(jù)預(yù)處理

去除標(biāo)準(zhǔn)差為零的無(wú)關(guān)特征，由于數(shù)據(jù)集特征數(shù)并不多，故不需要進(jìn)行特征選擇，為消除不同特征間的數(shù)值影響，對(duì)數(shù)據(jù)集進(jìn)行歸一化處理，將標(biāo)簽進(jìn)行one-hot編碼。

3.3 實(shí)驗(yàn)平臺(tái)與評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)平臺(tái)配置為windows 10 64位系統(tǒng)，Intel Core I5-9600KF，運(yùn)行內(nèi)存16 G，深度學(xué)習(xí)框架為tensorflow2.3，采用NVIDIA GTX980 TI顯卡加速訓(xùn)練。為客觀評(píng)價(jià)模型的性能，采用入侵檢測(cè)領(lǐng)域中常用的準(zhǔn)確率(Accuracy，ACC)、精確率(Precision，P)、檢出率(Recall，R)和綜合評(píng)價(jià)指標(biāo)(F1-Measure，F(xiàn))來(lái)評(píng)價(jià)分類結(jié)果

(4)

(5)

(6)

(7)

其中，TP表示正確識(shí)別的攻擊類別數(shù)目，F(xiàn)N表示漏報(bào)即未正確識(shí)別攻擊類別的數(shù)目，F(xiàn)P表示誤報(bào)即錯(cuò)誤識(shí)別正常類別的數(shù)目，TN表示正確識(shí)別的正常類別數(shù)目。

3.4 數(shù)據(jù)增強(qiáng)實(shí)驗(yàn)

3.4.1 VAE參數(shù)設(shè)置與訓(xùn)練

變分自編碼器的優(yōu)化器為Adam，學(xué)習(xí)率為0.001，batch_size設(shè)置為1024，訓(xùn)練epoch設(shè)置1000。分別使用不同類別的樣本數(shù)據(jù)訓(xùn)練VAE，保存VAE中的解碼器部分，之后使用一批服從正態(tài)分布的兩個(gè)數(shù)送入解碼器生成仿真數(shù)據(jù)。

3.4.2 生成數(shù)據(jù)評(píng)價(jià)

在圖像生成領(lǐng)域，人可以憑借自身的視覺(jué)觀察生成圖像的好壞，目前在數(shù)據(jù)生成領(lǐng)域很難判斷生成的數(shù)據(jù)是否真的合理，為驗(yàn)證生成數(shù)據(jù)的有效性，選用Data1訓(xùn)練一個(gè)網(wǎng)絡(luò)深度為3，層內(nèi)神經(jīng)元個(gè)數(shù)為30的LSTM網(wǎng)絡(luò)模型。從生成的數(shù)據(jù)中每類均選取2500條組成一個(gè)樣本總數(shù)為20 000的測(cè)試集，記為Data3。驗(yàn)證用Data1訓(xùn)練好的模型識(shí)別生成的數(shù)據(jù)集Data3的效果，經(jīng)過(guò)100個(gè)周期的訓(xùn)練后，LSTM模型在訓(xùn)練集上的準(zhǔn)確率和損失如圖5所示，模型已經(jīng)達(dá)到深度收斂狀態(tài)。

圖5 訓(xùn)練結(jié)果

通過(guò)輸出混淆矩陣來(lái)分析模型對(duì)Data3的分類情況，如圖6所示。對(duì)角線上的元素表示預(yù)測(cè)類別等于實(shí)際類別的個(gè)數(shù)，可以直觀看出，除代號(hào)為1的類別，其余類別LSTM模型都取得了較高的精確率。經(jīng)計(jì)算，LSTM模型在Data3上的準(zhǔn)確率為0.7901，檢出率為0.8233，f1值為0.7916，說(shuō)明使用真實(shí)數(shù)據(jù)訓(xùn)練的模型可以很好識(shí)別仿真數(shù)據(jù)，驗(yàn)證了變分自編碼器生成的數(shù)據(jù)樣本是有效的。

3.4.3 數(shù)據(jù)增強(qiáng)前后對(duì)比

在有了上述實(shí)驗(yàn)的基礎(chǔ)上，添加部分仿真數(shù)據(jù)平衡數(shù)據(jù)集，只對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)。為了防止過(guò)擬合，設(shè)置數(shù)量限制，增加Data1中MSCI、MFCI類別的數(shù)量，使其個(gè)數(shù)達(dá)到600，得到新的數(shù)據(jù)集Data4。分別使用Data1和Data4訓(xùn)練上文的LSTM模型，經(jīng)5次實(shí)驗(yàn)取平均值后，模型在測(cè)試集Data2上的分類結(jié)果見(jiàn)表2。

表2 數(shù)據(jù)增強(qiáng)前后對(duì)比

根據(jù)表2，使用Data4訓(xùn)練的分類模型在測(cè)試集上的準(zhǔn)確率、檢出率、F值均有了一定的提升。

3.5 DLIESN模型實(shí)驗(yàn)

選用Data4和Data2作為之后實(shí)驗(yàn)的訓(xùn)練集與測(cè)試集，開始對(duì)DLIESN進(jìn)行深入研究，分析不同網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)設(shè)置下模型的性能，最后與目前主流的算法對(duì)比。

3.5.1 DLIESN網(wǎng)絡(luò)結(jié)構(gòu)分析

深度學(xué)習(xí)領(lǐng)域，網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置影響直接模型的輸出結(jié)果，通常更深的網(wǎng)絡(luò)層可以學(xué)習(xí)到更多的數(shù)據(jù)規(guī)律，但是過(guò)深的網(wǎng)絡(luò)層會(huì)給訓(xùn)練帶來(lái)困難。在設(shè)置Epoch為200，batch_size為1024，儲(chǔ)備池激活函數(shù)為tanh，輸出層激活函數(shù)為Softmax，損失函數(shù)為多分類交叉熵(categorical crossentropy)，優(yōu)化器為Adam，學(xué)習(xí)率為0.001，固定漏積參數(shù)a為0.6，譜半徑ρ為0.99的條件下，設(shè)置20種不同的網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)過(guò)5次實(shí)驗(yàn)取平均值后，不同網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置下DLIESN模型在測(cè)試集Data2上的準(zhǔn)確率如圖7所示。

圖7 不同網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置下模型的準(zhǔn)確率

根據(jù)圖7所示，只考慮神經(jīng)元數(shù)量方面：儲(chǔ)備池神經(jīng)元個(gè)數(shù)NR為10時(shí)，在測(cè)試集上的準(zhǔn)確率較低，而且當(dāng)網(wǎng)絡(luò)深度為5時(shí)，準(zhǔn)確率出現(xiàn)了大幅下降，模型提取特征的能力有限，過(guò)少的神經(jīng)元無(wú)法為模型提供足夠的動(dòng)態(tài)性能，學(xué)習(xí)能力較差。網(wǎng)絡(luò)深度方面，不同NR數(shù)量時(shí)的模型性能并沒(méi)有特定的規(guī)律，不考慮NR=10時(shí)的情況，起初，隨著網(wǎng)絡(luò)深度的增加，模型的性能都有所提高，但是當(dāng)網(wǎng)絡(luò)深度為4時(shí)，NR=100、NR=200和NR=300的模型準(zhǔn)確率都出現(xiàn)了略微下降。在20種不同的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置下，網(wǎng)絡(luò)深度為3，NR=200時(shí)的模型性能最佳，后續(xù)實(shí)驗(yàn)?zāi)J(rèn)DLIESN的網(wǎng)絡(luò)深度為3，儲(chǔ)備池神經(jīng)元個(gè)數(shù)為200。

3.5.2 漏積參數(shù)分析

漏積參數(shù)a決定了儲(chǔ)備池結(jié)構(gòu)中的神經(jīng)元響應(yīng)速度，a的值越大，儲(chǔ)備池對(duì)輸入的響應(yīng)越快，在固定DLIESN的網(wǎng)絡(luò)深度為3，儲(chǔ)備池神經(jīng)元個(gè)數(shù)為200時(shí)，設(shè)置4個(gè)不同的漏積參數(shù)(每個(gè)儲(chǔ)備池中的漏積參數(shù)默認(rèn)相同)，不同漏積參數(shù)下模型在訓(xùn)練集上的損失如圖8所示。

圖8 不同漏積參數(shù)下的損失

根據(jù)圖8所示，當(dāng)a為0.2時(shí)，模型在前100個(gè)周期內(nèi)并沒(méi)有收斂的趨勢(shì)，當(dāng)a為0.6時(shí)，模型在第200個(gè)周期的損失最低。

3.5.3 DLIESN參數(shù)設(shè)置

在與其它算法對(duì)比前，需確定DLIESN的參數(shù)，由于本文還未采用參數(shù)尋優(yōu)方法，故采用經(jīng)驗(yàn)調(diào)參法。結(jié)合3.5.1節(jié)和3.5.2節(jié)實(shí)驗(yàn)的結(jié)果，最終選取的參數(shù)匯聚成表3。

表3 DLIESN模型參數(shù)設(shè)置

3.5.4 對(duì)比實(shí)驗(yàn)分析

為驗(yàn)證DLIESN在工控系統(tǒng)入侵檢測(cè)算法中的優(yōu)越性，設(shè)置對(duì)比實(shí)驗(yàn)與其它經(jīng)典模型作比較，均采用相同的數(shù)據(jù)集和相同的數(shù)據(jù)處理方式，得到結(jié)果匯總成表4和表5。

表4 不同方法的精確率對(duì)比

表5 不同方法的檢出率對(duì)比

由表4和表5可知，DLIESN對(duì)Normal類樣本的精確率為0.9792，明顯高于其它算法。對(duì)于NMRI(簡(jiǎn)單惡意響應(yīng)注入)攻擊類別的檢測(cè)結(jié)果，各類算法的表現(xiàn)均不是很好，盡管1d_CNN和SVM算法在此類攻擊的精確率達(dá)到了1，可是對(duì)應(yīng)的檢出率全是0，通過(guò)查閱此數(shù)據(jù)集的報(bào)告發(fā)現(xiàn)，該攻擊方式會(huì)使特征Measurement(測(cè)量值)遠(yuǎn)遠(yuǎn)高于100或低于-1，這嚴(yán)重偏離了正常運(yùn)行時(shí)的數(shù)值，只有DLIESN學(xué)習(xí)到了這類攻擊與其它類別之間的界限，在維持高精確率的同時(shí)其檢出率也達(dá)到了0.9114。此外，DLIESN對(duì)其它類別的檢測(cè)結(jié)果也都很優(yōu)秀。

為測(cè)試在不同網(wǎng)絡(luò)深度下DLIESN的訓(xùn)練復(fù)雜度，與同為深度學(xué)習(xí)領(lǐng)域的1d-CNN算法和LSTM算法對(duì)比，結(jié)果如圖9所示。

圖9 不同方法的訓(xùn)練時(shí)間對(duì)比

根據(jù)圖9，3種算法中DLIESN的增長(zhǎng)率最低，LSTM算法由于其每個(gè)時(shí)間步的計(jì)算都依賴上一個(gè)時(shí)間步的結(jié)果，導(dǎo)致訓(xùn)練緩慢，1d-CNN算法因?yàn)槠渚矸e核的機(jī)制影響了訓(xùn)練時(shí)間，DLIESN在不同網(wǎng)絡(luò)深度下均取得了最短耗時(shí)。

4 結(jié)束語(yǔ)

本文介紹了機(jī)器學(xué)習(xí)理論在入侵檢測(cè)中的應(yīng)用，引出了當(dāng)前領(lǐng)域中存在樣本不平衡和模型訓(xùn)練復(fù)雜的問(wèn)題。針對(duì)樣本不平衡問(wèn)題，提出了一種基于VAE的樣本均衡化策略；針對(duì)模型訓(xùn)練復(fù)雜問(wèn)題，提出了一種基于DLIESN的分類模型。首先使用變分自編碼器生成仿真數(shù)據(jù)平衡樣本，之后通過(guò)實(shí)驗(yàn)分析了不同網(wǎng)絡(luò)結(jié)構(gòu)和漏積參數(shù)對(duì)DLIESN模型分類性能的影響，最后與其它主流算法進(jìn)行對(duì)比，不論是訓(xùn)練耗時(shí)還是入侵檢測(cè)指標(biāo)，DLIESN模型均取得了良好的結(jié)果。在未來(lái)的工作中需將參數(shù)尋優(yōu)算法應(yīng)用到DLIESN的調(diào)參過(guò)程。