面向网络入侵检测系统的深度卷积神经网络模型

摘要：

鉴于卷积神经网络(CNN)在计算机视觉等诸多领域取得的巨大成就,提出一种将卷积神经网络应用到网络入侵检测(IDS)领域的方法,以达到网络攻击行为的高准确度识别的目的.该方法将IDS中的网络数据转化成卷积神经网络能够输入的数据,利用卷积神经网络对大量高维无标签原始数据进行特征降维,再采用BP神经网络反向微调结构参数,从而获得原始数据的最优低维表示.实验中,用Softmax分类器进行网络攻击行为识别,采用KDD CUP99数据集进行实验测试,证明该方法分类效果优于传统机器学习方法,在保证精度的同时,较其方法,该方法误检率平均降低0.5%,是一种可行且高效的方法,为网络入侵检测系统领域提供一种全新的思路.

关键词：网络入侵检测、深度学习、卷积神经网络、梯度下降

所属期刊栏目：37

分类号：TP29(自动化技术及设备)

在线出版日期：2018-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：59-64