不平衡数据下基于CNN的网络入侵检测

• 作者: 冯英引 师智斌
• 来源期刊: 中北大学学报（自然科学版）
• 关键词: 网络入侵检测 类别不平衡 卷积神经网络 UNSW-NB15数据集 原始流量
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 自动化与计算机
• 页码范围: 318-324
• 页数: 7页
• 分类号: TP393.08|TP18
• 语种: 中文
• DOI: 10.3969/j.issn.1673-3193.2021.04.005

摘要

深度学习的自学习能力可以实现入侵检测系统的不断更新及扩展,增强入侵检测系统的防范能力,但目前大部分基于深度学习的网络入侵检测研究都未考虑到数据集类别不平衡问题.针对此问题,提出了一种类别重组技术结合Focal Loss损失函数的处理方法,用于原始网络入侵流量分类.该方法把原始流量生成灰度图输入卷积神经网络CNN进行特征提取学习,类别重组技术保证了训练集中攻击类别间的相对均衡,而Focal Loss损失函数通过影响类别权重提高了 CNN模型对复杂样本的关注.在三个CNN模型上进行了实验,macro-f1分别提高了 9.41％,1.65％和4.39％,结果表明该方法能够有效处理网络入侵检测中的类别不平衡问题,且明显提高了少数类样本的识别精度.