文献类型：期刊文章

作　　者：葛继科[1] 刘浩因[1] 李青霞[1] 陈祖琴[1]

GE Jike;LIU Haoyin;LI Qingxia;CHEN Zuqin(School of Intelligent Technology and Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]重庆科技学院智能技术与工程学院,重庆401331

出　　处：《软件工程》

基　　金：重庆科技学院研究生科技创新项目(YKJCX2020816);重庆市高等教育教学改革研究项目(202078).

年　　份：2022

卷　　号：25

期　　号：1

起止页码：56-58

语　　种：中文

收录情况：普通刊

摘　　要：针对网络入侵检测模型特征提取算法复杂、训练参数过多、检测结果不理想等问题,提出一种改进卷积神经网络与长短期记忆网络结合的网络入侵检测方法(GCNN-LSTM)。首先,使用卷积神经网络对流量数据做特征选择,并选择全局池化层代替其中的全连接层;其次,结合长短期记忆网络强大的时间序列学习能力对改进卷积神经网络选择后的特征进行学习分类,以期在网络异常数据检测方面获得更好的效率和准确率。实验结果表明,提出的模型在UNSW-NB15数据集上有着较好的检测效果。在同等条件下,使用传统卷积神经网络的模型准确率为84.97%,训练时间为76.3 s;本模型准确率达到了88.96%,训练时间为61.1 s。

关 键 词：卷积神经网络 LSTM  全局池化  网络入侵检测

分 类 号：TP393.8]