拆分降尺度卷积神经网络入侵检测方法

摘要：

针对卷积神经网络(convolutional neural network,CNN)模型待训参数量过大、多层网络导致特征和梯度消失等问题,提出一种基于拆分层和Inception-ResNet的卷积神经网络模型用于入侵检测.首先将网络流量数据转化为具有空间相关性的图像以适用于卷积神经网络的输入;然后使用Inception-ResNet卷积层增加网络深度,减少模型训练参数数量以及消除梯度消失问题,拆分层在降低图像尺度时基本保持图像原有分类特征;最后采用NSL-KDD数据集对改进模型进行训练和测试.测试结果表明:改进模型相对于Inception-ResNet模型具有更高的检测准确率和少数类样本召回率以及更好的训练时间性能.

关键词：入侵检测、网络流量编码、Inception-ResNet、降尺度层、训练效率、特征损失

所属期刊栏目：22

分类号：TP183(自动化基础理论)

资助基金：国际关系学院国家安全高精尖学科建设科研专项2019GA38

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：16108-16115