公开(公告)号：CN111553386B

公开(公告)日：2022-05-20

申请号：CN202010264319.0

申请日：2020-04-07

Applicant: 哈尔滨工程大学

Inventor： 李静梅 ,  茹晨广 ,  王洪涛

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明属于信息安全技术领域，具体涉及一种基于AdaBoost和CNN的入侵检测方法。本发明对AdaBoost算法进行了改进，首先把入侵检测特征向量转换为随机特征矩阵作为卷积神经网络的输入，通过矩阵化提取入侵检测数据的2D轮廓；然后将卷积神经网络CNN作为基分类器提取入侵检测数据的高级特征图并完成分类；最后选取分类误差最小的候选分类器作为强分类器，并将强分类器的矩阵化方法取代基矩阵化方法。本发明有效解决了基分类器难以提取样本高级特征的问题，并得到了一种寻找最佳矩阵化的方法，提高了入侵检测成功率。

公开(公告)号：CN111553386A

公开(公告)日：2020-08-18

申请号：CN202010264319.0

申请日：2020-04-07

Applicant: 哈尔滨工程大学

Inventor： 李静梅 ,  茹晨广 ,  王洪涛

IPC: G06K9/62 ,  G06K9/46 ,  G06N3/04

Abstract: 本发明属于信息安全技术领域，具体涉及一种基于AdaBoost和CNN的入侵检测方法。本发明对AdaBoost算法进行了改进，首先把入侵检测特征向量转换为随机特征矩阵作为卷积神经网络的输入，通过矩阵化提取入侵检测数据的2D轮廓；然后将卷积神经网络CNN作为基分类器提取入侵检测数据的高级特征图并完成分类；最后选取分类误差最小的候选分类器作为强分类器，并将强分类器的矩阵化方法取代基矩阵化方法。本发明有效解决了基分类器难以提取样本高级特征的问题，并得到了一种寻找最佳矩阵化的方法，提高了入侵检测成功率。

公开(公告)号：CN111553388A

公开(公告)日：2020-08-18

申请号：CN202010265704.7

申请日：2020-04-07

Applicant: 哈尔滨工程大学

Inventor： 李静梅 ,  王洪涛 ,  茹晨广

IPC: G06K9/62 ,  H04L12/58

Abstract: 本发明属于网络安全技术领域，具体涉及一种基于在线AdaBoost的垃圾邮件检测方法。本发明将在线学习的思想应用到AdaBoost中用于训练强分类器。传统的垃圾邮件分类器存在分类性能不稳定、不能应用于动态环境和训练成本高的问题。针对以上问题，本发明在AdaBoost基础上引入了在线学习的思想，提高了分类效果，大大降低了训练模型的开销，使模型在垃圾邮件检测中可以适应大数据场景和动态变化的环境，从而获得更好的泛化性能。