基于空时特征融合和注意力机制的网络入侵检测模型

作者：饶海兵; 朱苏磊; 杨春夏

来源：计算机与现代化, 2022, (06): 116-121.

• 网络入侵检测
• 卷积神经网络
• 长短期记忆网络
• 注意力机制
• NSL-KDD

针对网络入侵检测性能不高的问题，提出一种基于空时特征融合和注意力机制的深度学习入侵检测模型CTA-net。该模型通过集成卷积神经网络(CNN)和长短时记忆网络(LSTM)获取空时融合特征，然后使用注意力模块(Attention)对输入的空时融合特征进行重要性加权计算，最后通过softmax函数进行分类。使用NSL-KDD数据集的实验结果表明，相比具有相似结构的CNN模型和空时融合的CNN-LSTM模型，在训练集的收敛性具有显著的提升，在测试集上使用的分类评价指标准确率分别提升10.9120个百分点和11.8740个百分点，精确率分别提升9.1950个百分点和9.6130个百分点，召回率分别提升9.1780个百分点和9.9340个百分点，F1-SCORE分别提升10.7830个百分点和11.7500个百分点。仿真结果表明，所提出的CTA-net模型在网络入侵检测方面具有较好的应用潜力。

• 单位
  上海师范大学; 机电工程学院