融合CNN与BiLSTM的网络入侵检测方法

论文摘要

针对网络入侵检测准确率偏低而误报率偏高的问题,提出一种融合卷积神经网络(CNN)与双向长短期记忆(BiLSTM)网络的网络入侵检测方法。对KDDcup99数据集进行预处理,并分别使用CNN模型、BiLSTM模型提取局部特征和长距离依赖特征,通过注意力机制计算特征的重要性,利用softmax分类器获得最终的分类结果。实验结果表明,与基于CNN和基于LSTM的方法相比,该方法的网络入侵检测效果较好,其准确率可提高至95.0%,误检率可降低至5.1%。

论文目录

• 0 概述
• 1 相关工作
•   1.1 基于CNN的网络入侵检测方法
•   1.2 基于LSTM的网络入侵检测方法
• 2 CNN-BiLSTM模型结构
•   2.1 预处理层
•   2.2 记录表示层
•   2.3 卷积层
•   2.4 池化层
•   2.5 BiLSTM层
•   2.6 注意力机制层
• 3 实验结果与分析
•   3.1 实验数据集与环境
•   3.2 实验评价指标与超参数分析
•     1)输入维度对检测性能的影响
•     2)卷积核大小对检测性能的影响
•     3)LSTM的记忆模块对检测性能的影响
•   3.3 与其他检测方法的比较
• 4 结束语

文章来源

类型: 期刊论文

作者: 刘月峰,蔡爽,杨涵晰,张晨荣

关键词: 深度学习,卷积神经网络,双向长短期记忆,注意力机制,入侵检测

来源: 计算机工程 2019年12期

年度: 2019

分类: 信息科技

专业: 互联网技术,自动化技术

单位: 内蒙古科技大学信息工程学院

基金: 国家自然科学基金(51565046),内蒙古自然科学基金(2018MS06019)

分类号: TP393.08;TP183

DOI: 10.19678/j.issn.1000-3428.0053263

页码: 127-133

总页数: 7

文件大小: 1010K

下载量: 874