融合改进自编码器和残差网络的入侵检测模型

作者：陈虹; 王瀚文^*; 金海波

来源：计算机工程, 2023, 1-10.

DOI：10.19678/j.issn.1000-3428.0066984

• 网络入侵检测
• 深度学习
• 栈式自编码器
• 残差网络
• CIC-IDS-2017数据集

互联网中存在大量隐私数据，如何防止网络入侵是保护网络安全的关键问题。为提高网络入侵检测的准确率及解决收敛慢问题，提出改进的ISAE-ResNet（Improve Stacked AutoEncoder - ResNet）入侵检测模型。模型融合栈式自编码器（Stack self-encoder）和残差网络（ResNet网络），首先将预处理后的数据输入改进的栈式自编码器中，改进的栈式自编码器由两个副编码器和一个主编码器组成，数据经过副编码器和主编码器训练后重构出新的特征来防止过拟合问题。改进的栈式自编码器又将解码层的权重捆绑到编码层进行优化，使模型参数减半来进行降维，提高模型的收敛速度；然后将处理过的数据输入改进的ResNet网络中，在改进的ResNet网络设计了一种加入了软阈值函数的残差模块，通过降低数据中的噪声来提高模型准确率。为了验证该模型的有效性及可行性，本文选择在CIC-IDS-2017数据集进行验证，该模型准确率为98.67%、真正例率为95.93%、误报率为0.37%、损失函数值快速收敛至0.042。实验结果表明，ISAE-ResNet在准确率、真正例率、误报率和收敛速度等方面均超过当前入侵检测模型，证明了ISAE-ResNet入侵检测模型具有较高的有效性和可行性。

• 单位
  辽宁工程技术大学