Existing network intrusion detection models suffer such problems as low detection accuracy and high false alarm rates in face of massive data traffic. Deep-learning models provide a solution as they can reduce the dimensionality of massive data, extract data features, and identify intrusions. However, the network structure and the number of hidden layer neurons of deep-learning models are determined by empirical or trial-and-error methods, which will affect the generalization ability and learning efficiency of the model. In the present work, a deep belief network model based on information entropy (IE-DBN model) is proposed for network intrusion detection. The model uses information gain (IG) to reduce the dimensionality of high-dimensional data features and remove redundant features. The information entropy is used to determine the number of hidden neurons in the DBN network and the network depth. The synthetic minority oversampling technique (SMOTE) algorithm is used to address the problem of data imbalance. Tests on the KDD CUP 99 intrusion detection data set have shown that the proposed IE-DBN model improved the convergence speed of the model and reduced the likelihood of overfitting. Compared with the conventional back propagation (BP) neural network and DBN network model, the IE-DBN model obtained a higher detection accuracy and a lower false alarm rate. Verification tests on other intrusion detection data sets showed that the proposed IE-DBN model had good generalization capacity.

现有的网络入侵检测模型在面对海量数据流量时，存在检测准确率低、误报率高等问题。深度学习模型提供了一种解决方案，因为它们可以降低海量数据的维数、提取数据特征并识别入侵。然而，深度学习模型的网络结构和隐藏层神经元数量是由经验或试错方法决定的，这会影响模型的泛化能力和学习效率。在目前的工作中，提出了一种基于信息熵的深度信念网络模型（IE-DBN 模型）用于网络入侵检测。该模型使用信息增益（IG）来降低高维数据特征的维数并去除冗余特征。信息熵用于确定 DBN 网络中隐藏神经元的数量和网络深度。合成少数过采样技术（SMOTE）算法用于解决数据不平衡问题。在 KDD CUP 99 入侵检测数据集上的测试表明，所提出的 IE-DBN 模型提高了模型的收敛速度，降低了过拟合的可能性。与传统的BP神经网络和DBN网络模型相比，IE-DBN模型获得了更高的检测精度和更低的误报率。在其他入侵检测数据集上的验证测试表明，所提出的 IE-DBN 模型具有良好的泛化能力。合成少数过采样技术（SMOTE）算法用于解决数据不平衡问题。在 KDD CUP 99 入侵检测数据集上的测试表明，所提出的 IE-DBN 模型提高了模型的收敛速度，降低了过拟合的可能性。与传统的BP神经网络和DBN网络模型相比，IE-DBN模型获得了更高的检测精度和更低的误报率。在其他入侵检测数据集上的验证测试表明，所提出的 IE-DBN 模型具有良好的泛化能力。合成少数过采样技术（SMOTE）算法用于解决数据不平衡问题。在 KDD CUP 99 入侵检测数据集上的测试表明，所提出的 IE-DBN 模型提高了模型的收敛速度，降低了过拟合的可能性。与传统的BP神经网络和DBN网络模型相比，IE-DBN模型获得了更高的检测精度和更低的误报率。在其他入侵检测数据集上的验证测试表明，所提出的 IE-DBN 模型具有良好的泛化能力。与传统的BP神经网络和DBN网络模型相比，IE-DBN模型获得了更高的检测精度和更低的误报率。在其他入侵检测数据集上的验证测试表明，所提出的 IE-DBN 模型具有良好的泛化能力。与传统的BP神经网络和DBN网络模型相比，IE-DBN模型获得了更高的检测精度和更低的误报率。在其他入侵检测数据集上的验证测试表明，所提出的 IE-DBN 模型具有良好的泛化能力。