科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习技术随着社会的不断发展，逐渐应用到了社会生活的各个领域，其中与入侵检测技术相结合已成为当今的研究热点。在当前不稳定的网络环境下，能够准确识别异常流量是当前入侵检测的主要任务。传统的神经网络面对复杂的数据，无法准确提取到与分类结果有关的特征，过多的冗余特征会导致模型泛化能力差，检测准确率不高，这会导致深度学习技术无法很好地应用在入侵检测的任务中。为了解决这个问题，提出了一种基于特征增强的深度学习入侵检测方法，即在模型训练过程中，通过一个辅助网络，增强对分类结果相关的特征，使模型着重学习对分类有益的特征，同时减轻冗余特征对模型分类的影响。同时，该方法不会修改原有模型的结构，可以轻松地应用在不同的卷积神经网络的模型上。最后在NSL-KDD和CICIDS2017数据集上的实验结果表明，准确率最高可达99.73%和99.15%。
- 单位
