融合MS-IRB与CAM的入侵检测模型

作者：黄博; 王禹贺; 赵艳; 于丹; 周英; 卓德志; 李世明^*

来源：小型微型计算机系统, 2023, 44(07): 1586-1592.

DOI：10.20009/j.cnki.21-1106/tp.2021-0849

• 入侵检测
• MS-IRB
• 深度可分离卷积
• 通道注意力机制
• 模型复杂度

针对深度学习模型复杂度高导致的模型训练时间长、收敛速度慢等问题，本文提出了一种融合多尺度倒残差块(Multiscale-Inverted Residual Block, MS-IRB)与通道注意力机制(Channel Attention Mechanism, CAM)的入侵检测模型，该模型在确保检测性能的同时降低了复杂度.首先，将数据集中的一维网络流量数据进行数值化、归一化处理，进而转化为三通道格式；其次，利用三组倒残差块对数据进行多尺度特征提取，所使用的卷积核尺寸分别为1×1、2×2、3×3,采用通道注意力机制为各个卷积通道分配不同权重，提高了本文模型对包含更多有效信息通道的关注度，选用BN方法来降低过拟合程度并加快模型的收敛速度；最后，将全连接处理所得特征矩阵通过Softmax函数映射获得分类结果.为验证本文模型，在UNSW-NB15数据集上进行实验评估.实验结果表明：本文模型参数数量分别比CNN少34%、比LSTM少60%,且计算量比CNN小45%;同时，分类准确率相比CNN提高了0.7%.

• 单位
  哈尔滨师范大学; 洛阳师范学院