基于dCNN的入侵检测方法

作     者：张思聪 谢晓尧 徐洋 ZHANG Sicong;XIE Xiaoyao;XU Yang

作者机构：贵州大学计算机科学与技术学院贵阳550025 贵州师范大学贵州省信息与计算科学重点实验室贵阳550001 

基　　金：国家自然科学基金项目(61461009 U1831131 U1631132) 中央引导地方科技发展专项资金项目(黔科中引地4008) 贵州省科技合作计划重点项目(黔科合LH字7763) 

出 版 物：《清华大学学报（自然科学版）》 (Journal of Tsinghua University(Science and Technology))

年 卷 期：2019年第59卷第1期

页      码：44-52页

摘      要：为了进一步提高入侵检测系统的检测准确率和检测效率,提出了一种基于深度卷积神经网络(dCNN)的入侵检测方法。该方法使用深度学习技术,如tanh、Dropout和Softmax等,设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数据转换为二维的"图像数据",然后使用dCNN从中学习有效特征,并结合Softmax分类器产生最终的检测结果。该文基于Tensorflow-GPU实现了该方法,并在一块Nvidia GTX 1060 3GB的GPU上,使用ADFA-LD和NSL-KDD数据集进行了评估。结果表明:该方法减少了训练时间,提高了检测准确率,降低了误报率,提升了入侵检测系统的实时处理性能和检测效率。

主 题 词：网络空间安全 深度学习 入侵检测 卷积神经网络 

学科分类：0810[工学-土木类] 0839[0839] 08[工学] 0805[工学-能源动力学] 0701[理学-数学类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.16511/J.CNKI.QHDXXB.2019.22.004

馆 藏 号：203453991...