结合随机森林的PSO-CNN入侵检测研究

作者：谭敏生; 杨帅创; 丁琳; 彭敏

来源：计算机应用与软件, 2021, 38(12): 326-331.

• 随机森林
• 粒子群算法
• 卷积神经网络
• 入侵检测
• 结构优化

为了提高网络入侵检测的准确率、精确率,降低误报率,提出一种结合随机森林(Random-Forest, RF)的粒子群算法(Particle Swarm Optimization, PSO)优化卷积神经网络(Convolutional Neural Networks, CNN)结构及初始参数算法。该方法结合随机森林理论、PSO的全局寻优特点和CNN提取特征的局部相关性能力。在数据预处理阶段,通过随机森林进行数据特征提取,并作为模型的输入数据。采用粒子群算法优化CNN网络结构,使CNN在非经验指导下自主选择最佳网络结构和初始参数。实验结果表明,该方法在准确率、精确率、误报率方面均优于经典卷积神经网络、粒子群优化反向传播(BP)算法、粒子群优化支持向量机(SVM)算法及目前流行的集成学习方法。

• 单位
  南华大学