深度学习下时序特征提取的网络入侵检测模型

作     者：杨超 杜琪琪 范波 蒋碧波 张文迪 

作者机构：湖北大学计算机与信息工程学院 武汉大学科学技术发展研究院 湖北省高校人文社科重点研究基地绩效评价信息管理研究中心 

出 版 物：《保密科学技术》 (Secrecy Science and Technology)

年 卷 期：2024年第1期

页      面：51-60页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0839[工学-网络空间安全] 0835[工学-软件工程] 0811[工学-控制科学与工程] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(No.61977021) 湖北省重点研发计划项目(No.2021BAA184) 

主　　题：入侵检测 双向门控循环网络 一维卷积 深度学习 SoftPool 

摘      要：为解决目前入侵检测算法对网络流量数据特征提取不充分、模型分类结果准确率低的问题,同时鉴于网络流量数据具有时序性和特征允余的特性,本文提出了一种融合多通道一维卷积和BiGRU的网络入侵检测模型。首先,通过多通道一维卷积对网络流量数据进行粗化和细化提取,以捕捉不同层次的时序特征。然后,采用双向门控循环网络充分挖掘网络流量数据的时序特征,并使用SoftPool池化层替代传统池化层以保留更多的特征信息。此外,通过卡方检测方法剔除不相关的特征,减少允余特征,实现数据降维。最后,使用UBSW-NB15数据集和CIC-IDS2017数据集对入侵检测模型进行训练和测试。实验表明,该模型相比其他入侵检测算法具有更高的入侵检测准确率。