面向工业入侵检测的数据增强和检测模型的研究

扫码查看

原文链接

万方数据
维普

中文摘要：由于采集到的工业互联网流量数据存在正常流量和攻击流量的样本数目不平衡、样本特征复杂的问题，提出一种使用梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)并结合卷积神经网络(CNN)与门控循环单元(GRU)的深度学习入侵检测方法。使用WGAN-GP数据增强并使用CNN与GRU混合模型进行深层特征提取解决上述问题。使用加拿大网络安全研究所公布的CICIDS2017数据集对模型进行实验，结果表明，对比不同机器学习算法，采用该方法的入侵检测结果准确率更高。利用密西西比州立大学天然气管道数据集对模型进行验证，结果证明了该模型在工业网络环境下的可行性和有效性。

外文标题：DATA ENHANCEMENT AND DETECTION MODEL FOR INDUSTRIAL INTRUSION DETECTION

外文摘要：Since the collected industrial Internet traffic data has the problems of imbalance in the number of samples of normal traffic and attack traffic,and complex sample features,a Wasserstein generative adversarial network using gradient penalty(WGAN-GP)is proposed and combined with a convolutional neural network(CNN)deep learning intrusion detection method with gated recurrent unit(GRU).We used WGAN-GP data enhancement and used the CNN and GRU hybrid model for deep feature extraction to solve the above problems.Experiments on the model using the CICIDS2017 data set published by the Canadian Institute of Cybersecurity,the results show that compared with different machine learning algorithms,the intrusion detection results using this method are more accurate.The model is validated with the Mississippi State University natural gas pipeline data set,and the results verify the feasibility and effectiveness of the model in an industrial network environment.

外文关键词：

Generative adversarial networksData enhancement algorithmConvolutional neural networkGated recurrent unitIndustrial intrusion detection

作者：

宗学军、王震、何戡、连莲

展开 >

作者单位：

沈阳化工大学信息工程学院辽宁沈阳 110142

关键词：

生成对抗网络数据增强算法卷积神经网络门控循环单元工业入侵检测

基金：

2020年辽宁省重点研发计划项目2019年辽宁省高等学校创新团队及创新人才支持计划

项目编号：

2020JH2/10100035LT2019010

出版年：

2024

DOI：

10.3969/j.issn.1000-386x.2024.09.051

计算机应用与软件

上海市计算技术研究所上海计算机软件技术开发中心

计算机应用与软件

CSTPCD北大核心

影响因子：0.615

ISSN：1000-386X

年,卷(期)：2024.41(9)