融合对比学习和特征选择的入侵检测模型
Intrusion Detection Model Incorporating Contrastive Learning and Feature Selection作者机构:辽宁工程技术大学软件学院辽宁葫芦岛125105 辽宁工程技术大学科学技术研究院辽宁阜新123099
出 版 物:《信息安全研究》 (Journal of Information Security Research)
年 卷 期:2024年第10卷第5期
页 面:453-461页
学科分类:08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(62173171) 辽宁省教育厅科研项目(LJKFZ20220198)
主 题:对比学习 皮尔逊相关系数 鸽群算法 特征提取 特征选择
摘 要:入侵检测系统可以主动识别恶意流量,是保护网络安全的重要工具.针对网络流量中存在的冗余特征以及现有的入侵检测算法在特征选择过程中存在的不足,提出一种融合对比学习和特征选择的入侵检测模型(contrastive learning and feature selection,CL-FS).利用皮尔逊相关系数(Pearson correlation coefficient,PCCs)对预处理后的网络流量进行相关性分析,过滤掉相似特征;使用自编码器(autoencoder,AE)进行深度特征提取,在提取阶段融入对比学习,减少类间相似性,将提取的新特征和过滤后的特征融合,得到表征能力更强的特征集;利用改进的鸽群算法进行包裹特征选择,根据贝叶斯分类器的性能选择最优特征子集,提高分类精度.在NSL-KDD,UNSW-NB15这2个数据集的实验结果表明,CL-FS模型可以提升分类精度并减少处理时间,在2个数据集上的2分类实验准确率分别为90.45%和88.52%,分类处理时间大约减少为原来的一半.