摘要
随着计算机网络的广泛应用,网络安全问题受到了前所未有的关注.入侵检测技术是一种主动性安全防护技术,是网络安全管理的重要手段之一.鉴于神经网络在计算机视觉、自然语言处理等领域取得的显著成就,针对网络入侵行为具有的不确定性、复杂性、多样性和动态性等特点,提出了一种将门控循环单元(GRU)应用于入侵检测的模型.该模型在传统门控循环单元基础上进行改进,采用双向门控循环单元(BiGRU)对数据进行正向和逆向学习,然后对学习结果进行线性组合,最后引入支持向量机作为分类器.采用京都大学蜜罐系统的2013年网络流量数据集进行实验测试,在数据集上实现了网络入侵检测的二分类问题.实验结果表明,基于支持向量机的双向门控循环单元(BiGRU-SVM)入侵检测模型误报率降低了5.15百分点,准确率提高了14.61百分点.表明BiGRU-SVM是一种可行且高效的方法,为网络入侵检测领域提供了一种新思路.
基金项目
国家自然科学基金青年基金(61601261)
山东省自然科学基金博士基金(ZR2016FB20)
山东省高等学校科技计划(J17KA062)
维普
万方数据