基于卷积神经网络的入侵检测方法研究

摘要

随着互联网的快速发展,当前的网络安全问题越来越严峻,入侵检测在其中扮演着不可替代的作用.对于入侵检测领域现有的研究常使用传统的机器学习模型对网络中的攻击事件进行分类,从而识别入侵样本,然而该方法存在检测率低且泛化性较弱的问题.为了提高入侵检测模型的准确率,设计了一种基于卷积神经网络算法的网络入侵检测模型.该模型将改进的卷积层和长短期记忆网络进行结合,并用于入侵样本空间和时间维度上的特征进行提取,在卷积层中使用深度可分离卷积层对传统的卷积层进行改进,并采用长短期记忆网络模型对网络特征中的时间序列进行学习,最终实现根据网络中的特征对入侵的攻击行为进行准确的分类.该模型针对KDD99数据集进行实验分析,在该数据集上对入侵行为进行检测,由实验结果可知该模型的准确率可到达98.7％,该模型相比其他传统机器学习模型具有更高的准确率和较高的实用性.