文献类型：期刊文章

作　　者：李晶[1] 黄杰[1] 朱国威[2] 袁慧[2] 李炜键[3] 龙嘉川[4]

LI Jing;HUANG Jie;ZHU Guowei;YUAN Hui;LI Weijian;LONG Jiachuan(State Grid Hubei Electric Power Co.,Ltd.,Wuhan 430077,China;State Grid Information&.Communication Branch of Hubei Electric Power Co.,Ltd.,Wuhan 430077,China;Nanjing NARI Information&Communication Technology Co.,Ltd.,Nanjing 210000,China;School of Electronics and Information Engineering,Wuhan Donghu University,Wuhan 430212,China)

机构地区：[1]国网湖北省电力有限公司,湖北武汉430077 [2]国网湖北省电力有限公司信息通信公司,湖北武汉430077 [3]南京南瑞信息通信科技有限公司,江苏南京210000 [4]武汉东湖学院电子信息工程学院,湖北武汉430212

出　　处：《武汉大学学报（工学版）》

基　　金：湖北省自然科学基金项目(编号:2019CFB211);南京南瑞信息通信科技有限公司项目(编号:4501188403)。

年　　份：2022

卷　　号：55

期　　号：11

起止页码：1176-1185

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：网络数据日益呈现海量化、复杂化和异构特性,基于传统浅层机器学习算法的入侵检测方法已难以满足要求。提出了一种基于自适应一维卷积神经网络(adaptive one-dimensional convolutional neural network,A-1D-CNN)的网络入侵检测方法,通过构建深度卷积网络获得了提取数据深层特征的能力,避免了人为选择特征参量带来的泛化和表征能力的不足。为获得更加合理的模型超参数,利用粒子群优化(particle swarm optimization,PSO)算法自适应地对每个一维卷积层的卷积核数量进行了优化。使用1999年国际知识发现和数据挖掘竞赛(knowledge discovery and data mining cup 99,KDD Cup99)数据集对所提方法进行了验证,结果显示该方法在无需人为调节超参数的情况下不仅能区分正常和攻击流量,还可准确识别具体攻击类型,表明其针对不同任务具有自适应能力。对比试验表明,所提方法在准确率、精确率、召回率等指标上均优于现有常见的入侵检测方法。

关 键 词：网络入侵检测 网络安全 一维卷积神经网络  粒子群优化 超参数优化  

分 类 号：TM73]