基于增量式卷积神经网络的入侵检测方法

摘要

为使得网络入侵检测模型在不破坏已学样本知识的情况下,具有对新增网络流量数据自适应学习的能力,提出一种基于增量式多核卷积神经网络的(iMSCNN)的入侵检测方法。该方法首先完成多核卷积神经网络(MSCNN)模型的训练,实现对原始网络流量数据局部特征的提取与拼接;然后,对模型进行受控处理,冻结受控单元中参数的更新;接着,为模型中每个卷积层设置线性转化器(LC)作为增量学习过程中的可训练参数,通过线性转化器中较少的参数完成对新增网络流量的学习,实现入侵检测模型的更新;最后,利用所得的增量式入侵检测模型完成对异常网络流量的识别与检测。实验结果验证了此入侵检测方法的有效性,表明此增量式卷积神经网络模型能够保留所学旧知识的同时,提高学习新增知识的效率。