基于ResNet和双向LSTM融合的物联网入侵检测分类模型构建与优化研究

• 作者: 陈京九 陈红松
• 来源期刊: 湖南大学学报（自然科学版）
• 关键词: 入侵检测 残差网络 双向LSTM网络 图像分类 物联网
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 计算机科学
• 页码范围: 1-8
• 页数: 8页
• 分类号: TP183
• 语种: 中文
• DOI: 10.16339/j.cnki.hdxbzkb.2020.08.001

摘要

为提高物联网入侵检测模型的综合性能,将残差神经网络(Residual Networks,ResNet)与双向长短时记忆(Long-Short Term Memory,LSTM)网络融合,构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题,在对原始数据进行清洗、转换等预处理基础上,提出将多条流量样本转换为灰度图,并利用基于ResNet和双向LSTM融合的深度学习方法构建物联网入侵检测分类模型.对分类模型的网络结构、可复用性进行综合优化实验,得到最终优化模型,分类准确率达到96.77％,综合优化后的模型构建时间为39.85 s.与其他机器学习算法结果相比,该优化方法在分类准确率和效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈红松	北京科技大学计算机与通信工程学院	25	97	6.0	9.0
2	陈京九	北京科技大学计算机与通信工程学院	3	4	1.0	2.0