基于CNN和仿射变换技术的网络入侵检测方法  

作　　者：刘联海[1] 黎汇业 毛冬晖 

机构地区：[1]桂林电子科技大学,广西541010

出　　处：《网络安全技术与应用》2025年第4期35-38,共4页Network Security Technology & Application

基　　金：数据驱动的自适应个性化在线学习服务关键技术(62167002)。

摘　　要：针对网络入侵检测中由于少数类攻击样本不足导致模型的分类准确率不高的问题,本文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和仿射变换技术的网络入侵检测方法。首先,对NSL-KDD数据集进行预处理,包括字符特征数值化和归一化;其次,将预处理后的攻击样本通过矩阵化的方式转成可被CNN学习的RGB图像,使用仿射变换技术对训练集中的少数类攻击样本图像进行仿射过采样,然后将这些样本输入CNN网络中进行训练,使模型能够学习到少数类攻击样本更丰富的信息表征;最后,根据CNN模型的超参数来设计多场景实验,找到基于该方法的最佳CNN模型。实验结果表明,该方法有效提高了模型的综合检测性能,达到了93.45%的准确率和90.31%的F1分数,具有优于其他深度学习模型的检测性能。

关 键 词：网络入侵检测 CNN 仿射变换技术 

分 类 号：TP393.08[自动化与计算机技术—计算机应用技术]