基于CNN与BiGRU融合神经网络的入侵检测模型.pdf

网络首发时间：2022-01-18 17:13:16
网络首发地址：.
+.L3:3=:7+.9’9:3H%O[<" 来构建分类模型%实验表明%R@@和 U<g%在入侵
B
中常 见 的 深 度 学 习 方 法)A )* 主 要 有 多 层 感 知 器 检测的分类中能够表现出良好的效果( P7H等 ) C*
! H,/:7/&’3-V3-=3V:-+.% %UN"& 卷 积 神 经 网 络 使用 U<g% 构建检测系统%在 P[[GR,VDD 数据集
!=+.8+/,:7+.&/.3,-&/.3:I+-n9% R@@" )(* &循环神经网 上取得 了 DE?D)e 的 准 确 率% 但 误 报 率 达 到 了
络 ! -3=,--3.:.3,-&/.3:I+-n% ]@@"& 自 编 码 器 A"?"(e( N,:=2&/&) D* 提 出 在 物 联 网 领 域 使 用
!&,:+3.=+L3-% Q;" 等( 其中%循环神经网络又包含 h]6进行入侵检测研究%但实验仅在 P[[GR,VDD
长短期记忆网络!/+.492+-:G:3-HH3H+-’% U<g%"和 数据集上进行%未实现应用于物联网相关数据的
门控循环单元!4&:3L-3=,--3.:,.7:% h]6"! 种变体( 设想( 王伟 ) A"* 结合 R@@和 U<g% 对流量数据进
) $*
]+’等 将 %UN应用于入侵检测%并与支持 行学习%在 R@@提取流量数据空间特征的基础上
向量机进行对比%精度有明显的提升( 但在特征 再使用 U<g% 提取数据的时序特征%得到了 较高
数量较多&维度较高 的环境 中%纯 %UN通常 难 以 的精度并保持较低的误报率%但该方法在 R@@特
得到良好的训练效果( d&.4等 ) E* 将处理过的流 征提取时可能会损失部分数据信息的时间特性(
量数据转换成像素%利用 R@