基于dCNN的入侵检测方法

作者：张思聪; 谢晓尧^*; 徐洋

来源：清华大学学报, 2019, 59(01): 44-52.

DOI：10.16511/j.cnki.qhdxxb.2019.22.004

• 网络空间安全
• 深度学习
• 入侵检测
• 卷积神经网络

为了进一步提高入侵检测系统的检测准确率和检测效率,提出了一种基于深度卷积神经网络(dCNN)的入侵检测方法。该方法使用深度学习技术,如tanh、Dropout和Softmax等,设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数据转换为二维的"图像数据",然后使用dCNN从中学习有效特征,并结合Softmax分类器产生最终的检测结果。该文基于Tensorflow-GPU实现了该方法,并在一块Nvidia GTX 1060 3GB的GPU上,使用ADFA-LD和NSL-KDD数据集进行了评估。结果表明:该方法减少了训练时间,提高了检测准确率,降低了误报率,提升了入侵检测系统的实时处理性能和检测效率。

• 单位
  贵州大学; 贵州师范大学