深度学习下时序特征提取的网络入侵检测模型

扫码查看

原文链接

万方数据
维普

中文摘要：为解决目前入侵检测算法对网络流量数据特征提取不充分、模型分类结果准确率低的问题,同时鉴于网络流量数据具有时序性和特征冗余的特性,本文提出了一种融合多通道一维卷积和BiGRU的网络入侵检测模型.首先,通过多通道一维卷积对网络流量数据进行粗化和细化提取,以捕捉不同层次的时序特征.然后,采用双向门控循环网络充分挖掘网络流量数据的时序特征,并使用SoftPool池化层替代传统池化层以保留更多的特征信息.此外,通过卡方检测方法剔除不相关的特征,减少冗余特征,实现数据降维.最后,使用UBSW-NB15数据集和CIC-IDS2017数据集对入侵检测模型进行训练和测试.实验表明,该模型相比其他入侵检测算法具有更高的入侵检测准确率.

作者：

杨超、杜琪琪、范波、蒋碧波、张文迪

展开 >

作者单位：

湖北大学计算机与信息工程学院

湖北省高校人文社科重点研究基地绩效评价信息管理研究中心

武汉大学科学技术发展研究院

关键词：

入侵检测双向门控循环网络一维卷积深度学习 SoftPool

基金：

国家自然科学基金湖北省重点研发计划

项目编号：

619770212021BAA184

出版年：

2024

保密科学技术

ISSN：

年,卷(期)：2024.(1)

参考文献量18