计算机工程

作者：刘金硕, 詹岱依, 邓娟, 王丽娜

单位：武汉大学 国家网络安全学院 空天信息安全与可信计算教育部重点实验室, 武汉 430072

关键词：网络入侵检测,深度神经网络,联邦学习,机器学习,深度学习

基金：国家自然科学基金（U193607）；国家重点研发计划（2020YFA0607902）。

在高速网络环境中，对复杂多样的网络入侵进行快速准确的检测成为目前亟待解决的问题。联邦学习作为一种新兴技术，在缩短入侵检测时间与提高数据安全性上取得了很好的效果，同时深度神经网络（DNN）在处理海量数据时具有较好的并行计算能力。结合联邦学习框架并将基于自动编码器优化的DNN作为通用模型，建立一种网络入侵检测模型DFC-NID。对初始数据进行符号数据预处理与归一化处理，使用自动编码器技术对DNN实现特征降维，以得到DNN通用模型模块。利用联邦学习特性使得多个参与方使用通用模型参与训练，训练完成后将参数上传至中心服务器并不断迭代更新通用模型，通过Softmax分类器得到最终的分类预测结果。实验结果表明，DFC-NID模型在NSL-KDD与KDDCup99数据集上的准确率平均达到94.1%，与决策树、随机森林等常用入侵检测模型相比，准确率平均提升3.1%，在攻击类DoS与Probe上，DFC-NID的准确率分别达到99.8%与98.7%。此外，相较不使用联邦学习的NO-FC模型，DFC-NID减少了83.9%的训练时间。

来源：2023年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第1期