摘要
针对当前科研院所局域网入侵检测方法存在的及时性差、准确性低、覆盖面窄等问题,本文提出了一种融合多通道的CNN-GRU网络入侵检测模型.首先,对数据集进行数据预处理,以降低数据集中数据缺失、无效以及不平衡等问题对深度学习模型性能的影响.其次,基于卷积神经网络(CNN)和门控循环单元(GRU)分别在空间特征提取和时序建模等方面的强大能力,构建了CNN-GRU模型.最后在UNSW-NB15数据集上对CNN-GRU模型进行训练,并通过与其他方法对比验证该模型的性能.实验结果表明,CNN-GRU模型的准确率、F1值等指标,分别达到了92.72%、93.09%,均高于传统机器学习算法和常见的深度学习模型,证明该模型有效.
NETL
NSTL
万方数据