Resumen

Para abordar los problemas de alto error de reconstrucción y largo tiempo de entrenamiento al utilizar la tecnología de extracción de características Stack Nonsymmetric Deep Autoencoder (SNDAE) para la detección de intrusiones, se propone el Autoencoder Profundo No Simétrico Adam (ANDAE) basado en SNDAE. Se utiliza el algoritmo de optimización Adam para actualizar los parámetros de la red durante el entrenamiento, de modo que la función de pérdida pueda converger rápidamente al valor ideal. Bajo la premisa de no afectar el efecto de la extracción de características, se simplifica la estructura de la red y se reduce el tiempo de entrenamiento de la red para lograr la extracción eficiente del rápido crecimiento de las características de tráfico de red de alta dimensión y no lineales. Para las características prominentes de baja dimensión extraídas por ANDAE, se utiliza Random Forest para la clasificación y detección de acciones de intrusión, y se implementa un modelo de detección de intrusos en la red basado en la extracción de características de ANDAE. Los resultados experimentales

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Propuesta; Algoritmo de optimización Adam; Estructura de la red; Extracción eficaz; Random Forest; Modelo de detección de intrusos
• Keywords:Proposed; Adam optimization algorithm; Network structure; Efficient extraction; Random Forest; Intrusion detection model