文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2021.04.003
引用格式: 邵凌威,鄭燦偉 ,,渠振華,,等. 基于M-DRN多尺度特征提取的入侵檢測方法[J].信息技術與網絡安全,2021,,40(4):14-19.
0 引言
網絡攻擊行為檢測成為網絡安全的必備保障技術之一,而入侵檢測系統(Intrusion Detection System,,IDS)已經成為一種重要的安全檢測技術,,其能夠判別網絡中的異常流量數據,從而達到檢測網絡是否遭受入侵攻擊的目的,。
目前,,入侵檢測系統的研究技術較多[1],本文主要基于深度學習網絡進行研究,,經不完全調研,,業(yè)界相關典型研究成果主要有:RNN-IDS模型[2],其性能優(yōu)于傳統機器學習分類算法,,但訓練時間較多,;文獻[3]、[4]采用CNN和LSTM混合的入侵檢測方法提高模型性能,;基于多尺度卷積神經網絡[5]的入侵檢測方法,,其分類準確率達到93.05%,但模型中的參數無法達到最優(yōu)化,,對精度有一定的影響,;對KNN超參數調整和交叉驗證的入侵檢測系統[6],提高了模型準確率,,但是無法識別新型攻擊,;文獻[7]針對DoS攻擊采用更大的卷積核,表現出較高的性能,;文獻[8]提出一種簡化的殘差網絡模型S-ResNet,,更適合低維和小規(guī)模數據;文獻[9]提出一種帶有平均卷積層的CNN-MCL模型學習流量的異常特征,;文獻[10]通過GRU-MLP模型識別網絡入侵,,證明GRU比LSTM更適合作為存儲單元。綜合上述,,多數方法在入侵檢測系統的性能和準確率方面均有提升,,但神經網絡在入侵檢測系統中的應用仍停留在層數較少的模型上,,隨著網絡層數增加退化現象越嚴重。
本文詳細內容請下載:http://forexkbc.com/resource/share/2000003472
作者信息:
邵凌威1,,鄭燦偉1,,渠振華1,黃 博1,,李世明1,,2
(1.哈爾濱師范大學 計算機科學與信息工程學院,黑龍江 哈爾濱150025,;
2.上海市信息安全綜合管理技術研究重點實驗室,,上海200240)