基于膨胀卷积和门控循环单元组合的入侵检测模型

摘要

基于机器学习的入侵检测模型在网络环境的安全保护中起着至关重要的作用.针对现有的网络入侵检测模型不能够对网络入侵数据特征进行充分学习的问题,将深度学习理论应用于入侵检测,提出了一种具有自动特征提取功能的深度网络模型.在该模型中,使用膨胀卷积来增大对信息的感受野并从中提取高级特征,使用门控循环单元(GRU)模型提取保留特征之间的长期依赖关系,再利用深层神经网络(DNN)对数据特征进行充分学习.与经典的机器学习分类器相比,该模型具有较高的检测率.在著名的KDD CUP99、NSL-KDD和UNSW-NB15数据集上进行的实验表明,该模型具有由于其他分类器的性能.具体来说,该模型在KDD CUP99数据集上的准确率为99.78％,在NSL-KDD数据集上的准确率为99.53％,在UNSW-NB15数据集上的准确率为93.12％.