基于CNN与WRGRU的网络入侵检测模型

• 作者: 王运兵 姬少培 查成超
• 来源期刊: 通信技术
• 学科: 工学
• 关键词: 入侵检测 权重缩减门控循环单元 特征提取 依赖关系 识别精度
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 安全与保密|Security & Privacy
• 页码范围: 486-492
• 页数: 7页
• 分类号: TP309
• 语种: 中文
• DOI: 10.3969/j.issn.1002-0802.2022.04.012

摘要

针对当前的入侵检测方法普遍存在准确率与泛化性较低的问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和权重缩减门控循环单元(Weight Reduction Gated Recurrent Unit,WRGRU)的网络入侵检测模型(CNN-WRGRU).该模型首先利用CNN进行入侵检测数据集的特征提取,其次利用WRGRU来学习数据特征之间的依赖关系,保留了特征之间的长期相关性,有效地防止了过拟合现象的出现,提高了模型的识别准确率及泛化性.在实验中,将CNN-WRGRU与传统方法在公开数据集上进行了检测性能比较,结果证明CNN-WRGRU模型具有更好的识别效果,有效地提高了入侵检测的识别精度.