-
题名基于深度学习的入侵检测模型
被引量：10
- 1
-
-
作者
林硕
商富博
高治军
单丹
尚文利
-
机构
沈阳建筑大学信息与控制工程学院
中国科学院沈阳自动化研究所工业控制网络与系统研究室
中国科学院网络化控制系统重点实验室
中国科学院机器人与智能制造创新研究院
-
出处
《控制工程》
CSCD
北大核心
2021年第9期1873-1878,共6页
-
基金
国家自然科学基金面上项目(61773368)
辽宁省教育厅科学技术项目(Injc201912)
辽宁省教育厅青年科技人才“育苗”项目(Inqn201912)。
-
文摘
针对网络流量数据具有空间和时间的双重特征,提出了一种基于深度学习的入侵检测模型。首先,通过二分支卷积神经网络提取网络流量数据的空间特征,利用其分支结构的特点使得不同的卷积层对同一个数据样本进行粗化提取和细化提取,既保留了数据的总体特征,又从低级特征中迭代提取出更复杂的特征;然后,利用门控循环单元网络顺序敏感性的优势,挖掘网络流量数据的时序特征;最后,使用KDDCUP99数据集对入侵检测模型进行训练、验证和测试。实验结果表明,与传统的基于机器学习的模型相比,该模型具有更高的检测准确率。
-
关键词
深度学习
入侵检测
卷积神经网络
门限循环单元网络
-
Keywords
Deep learning
intrusion detection
convolutionneural network
gated loop unit network
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名基于DSCNN-BiLSTM的入侵检测方法
被引量：6
- 2
-
-
作者
商富博
韩忠华
林硕
单丹
戚爰伟
-
机构
沈阳建筑大学信息与控制工程学院
中国科学院沈阳自动化研究所数字工厂研究室
-
出处
《科学技术与工程》
北大核心
2021年第8期3214-3222,共9页
-
基金
国家自然科学基金面上项目(61773368)
辽宁省教育厅青年科技人才“育苗”项目(Inqn201912)
沈阳市科技计划双百工程项目(Z18-5-015)。
-
文摘
针对传统的入侵检测方法无法有效提取网络流量数据特征的问题,提出了一种基于DSCNN-BiLSTM的入侵检测方法,该方法引入了深度可分离卷积代替标准卷积从而减少了模型参数,降低了计算量,并应用双向长短期记忆网络(BiLSTM)提取长距离依赖信息的特征,充分考虑了前后特征之间的影响。首先,通过主成分分析法(PCA)对网络流量数据进行特征降维,并创新性地将一维网络流量数据转化为三维图像数据;然后,分别运用深度可分离卷积神经网络(DSCNN)和双向长短期记忆网络(BiLSTM)提取网络流量数据的空间特征和时间特征;最后,利用KDDCUP99数据集进行训练、验证和测试。实验结果表明,与其他传统的入侵检测方法相比,该方法具有更高的准确率和更低的漏报率。
-
关键词
入侵检测
主成分分析
三维图像数据
深度可分离卷积
双向长短期记忆网络
-
Keywords
intrusion detection
principal component analysis
3D image data
deep separable convolution
bidirectional short and long term memory network
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
