基于Adam-BNDNN的网络入侵检测模型

• 作者: 何梦乙 刘建兰 唐风扬 熊健 覃仁超
• 来源期刊: 计算机测量与控制
• 关键词: 入侵检测 深度神经网络 批量规范化 NSL数据集
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 测试与故障诊断
• 页码范围: 58-62,81
• 页数: 6页
• 分类号: TP393.0
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2020.02.012

摘要

针对传统入侵检测算法检测精度低、误报率高等问题,提出了一种融合批量规范化和深度神经网络的网络入侵检测模型;该模型首先在深度神经网络隐藏层添加批量规范化层,优化隐藏层的输出结果,然后采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,提高模型检测能力;并使用NSL-KDD数据集进行仿真实验,结果表明该模型的检测效果优于SNN、KNN、DNN等检测方法;整体检测率可达99.41％,整体误报率为0.59％,证明了模型的可行性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	覃仁超	西南科技大学计算机科学与技术学院	14	34	4.0	5.0
2	刘建兰	西南科技大学计算机科学与技术学院	2	0	0.0	0.0
3	何梦乙	西南科技大学计算机科学与技术学院	2	0	0.0	0.0
4	熊健	西南科技大学计算机科学与技术学院	2	0	0.0	0.0
5	唐风扬	西南科技大学计算机科学与技术学院	1	0	0.0	0.0