摘要
深度学习技术随着社会的不断发展,逐渐应用到了社会生活的各个领域,其中与入侵检测技术相结合已成为当今的研究热点.在当前不稳定的网络环境下,能够准确识别异常流量是当前入侵检测的主要任务.传统的神经网络面对复杂的数据,无法准确提取到与分类结果有关的特征,过多的冗余特征会导致模型泛化能力差,检测准确率不高,这会导致深度学习技术无法很好地应用在入侵检测的任务中.为了解决这个问题,提出了一种基于特征增强的深度学习入侵检测方法,即在模型训练过程中,通过一个辅助网络,增强对分类结果相关的特征,使模型着重学习对分类有益的特征,同时减轻冗余特征对模型分类的影响.同时,该方法不会修改原有模型的结构,可以轻松地应用在不同的卷积神经网络的模型上.最后在NSL-KDD和CICIDS2017 数据集上的实验结果表明,准确率最高可达99.73％和99.15％.
国家科技期刊平台
NSTL
维普
万方数据