深度学习下时序特征提取的网络入侵检测模型  

作　　者：杨超 杜琪琪 范波 蒋碧波 张文迪 

机构地区：[1]湖北大学计算机与信息工程学院 [2]武汉大学科学技术发展研究院 [3]湖北省高校人文社科重点研究基地绩效评价信息管理研究中心

出　　处：《保密科学技术》2024年第1期51-60,共10页Secrecy Science and Technology

基　　金：国家自然科学基金(No.61977021);湖北省重点研发计划项目(No.2021BAA184)。

摘　　要：为解决目前入侵检测算法对网络流量数据特征提取不充分、模型分类结果准确率低的问题,同时鉴于网络流量数据具有时序性和特征允余的特性,本文提出了一种融合多通道一维卷积和BiGRU的网络入侵检测模型。首先,通过多通道一维卷积对网络流量数据进行粗化和细化提取,以捕捉不同层次的时序特征。然后,采用双向门控循环网络充分挖掘网络流量数据的时序特征,并使用SoftPool池化层替代传统池化层以保留更多的特征信息。此外,通过卡方检测方法剔除不相关的特征,减少允余特征,实现数据降维。最后,使用UBSW-NB15数据集和CIC-IDS2017数据集对入侵检测模型进行训练和测试。实验表明,该模型相比其他入侵检测算法具有更高的入侵检测准确率。

关 键 词：入侵检测 双向门控循环网络 一维卷积 深度学习 SoftPool 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] TP309[自动化与计算机技术—控制科学与工程]