关键词：入侵检测 深度学习 卷积神经网络 极限学习机 支持向量机 

摘要：针对现有网络入侵检测方法在处理高维度、非线性的海量数据时检测效率低和准确率低的问题,提出一种基于卷积神经网络(CNN)和极限学习机(ELM)的组合式入侵检测方法(CNN-ELM)。通过数值化映射、归一化及维度重组对原始网络数据进行预处理,利用CNN网络自动提取原始网络数据的深层特征,将ELM作为分类器对提取到的特征进行入侵检测分类。采用NSL-KDD数据集对CNN-ELM进行仿真实验,实验结果表明,与SVM、CNN及ELM方法相比,CNN-ELM能有效提高入侵检测的准确率,具有较好的泛化能力和实时性。

计算机工程与设计杂志要求:

{1}根据论文情况可自行决定是否列举阅读型参考文献；阅读型参考文献用文后尾注形式，以带方括号的阿拉伯数字（［1］［2］［3］……）顺序编号排列。阅读型参考文献可不标注具体页码。

{2}来稿要求来稿要有科学性、真实性、先进性。设计合理，结构严密，层次分明，文通句顺，统计学方法正确。

{3}来稿请注明作者单位、联系方式及确切通信地址。所有稿件，请作者自留底稿，无论采用与否，恕不退还。

{4}正文各级标题一律采用阿拉伯数字连续编号，同级题不同层次的数字之间用下圆点相隔，最末一位数后不加标点。

{5}来稿请写明详细通讯地址及联系电话，并附作者简介，内容如下：姓名、出生年、性别、民族（汉族可省略）、籍贯、学位、职称和最高学术职务及研究方向。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社