科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对当前的入侵检测方法普遍存在准确率与泛化性较低的问题，提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）和权重缩减门控循环单元（Weight Reduction Gated Recurrent Unit,WRGRU）的网络入侵检测模型（CNN-WRGRU）。该模型首先利用CNN进行入侵检测数据集的特征提取，其次利用WRGRU来学习数据特征之间的依赖关系，保留了特征之间的长期相关性，有效地防止了过拟合现象的出现，提高了模型的识别准确率及泛化性。在实验中，将CNN-WRGRU与传统方法在公开数据集上进行了检测性能比较，结果证明CNNWRGRU模型具有更好的识别效果，有效地提高了入侵检测的识别精度。
-
单位中国电子科技集团公司第三十研究所
