文献类型：期刊文章

作　　者：张志飞[1,2,3] 刘峰[1,2,3] 葛祎阳[1,2,3] 李烁[1,2,3] 张煜[4] 熊轲[1,2,3]

ZHANG Zhifei;LIU Feng;GE Yiyang;LI Shuo;ZHANG Yu;XIONG Ke(Engineering Research Center of Network Management Technology for High Speed Railway of Ministry of Education,School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044,China;Collaborative Innovation Center of Railway Traffic Safety,Beijing Jiaotong University,Beijing 100044,China;National Engineering Research Center of Advanced Network Technologies,Beijing Jiaotong University,Beijing 100044,China;State Grid Energy Research Institute Co.,Ltd.,Beijing 102209,China)

机构地区：[1]北京交通大学计算机与信息技术学院高速铁路网络管理教育部工程研究中心,北京100044 [2]北京交通大学轨道交通安全协同创新中心,北京100044 [3]北京交通大学移动专用网络国家工程研究中心,北京100044 [4]国网能源研究院有限公司,北京102209

出　　处：《物联网学报》

基　　金：中央高校基本科研业务费资助项目(No.2022JBZY021);国家自然科学基金资助项目(No.62071033)。

年　　份：2023

卷　　号：7

期　　号：1

起止页码：49-59

语　　种：中文

收录情况：普通刊

摘　　要：为提高网络入侵检测中多分类的准确率,提出了一种基于深度可分离卷积和注意力机制的入侵检测方法。该方法通过深度可分离卷积、长短期记忆网络组成级联结构,提高了模型对数据中空间和时间特征的提取能力;进一步融入混合域注意力机制完善特征提取过程,提高了模型的检测能力。为了解决在中小样本上检测率低的问题,设计了一种基于变分自编码器和生成对抗网络的数据平衡策略,能有效应对网络数据集的数据不平衡现象,提升了所提检测方法的适应性。在CICIDS-2017、NSL-KDD和UNSW-NB15数据集上的实验结果表明,所提方法能够取得99.80%、99.32%、83.87%的准确率,检测准确率分别提高了0.6%、0.5%、2.3%。

关 键 词：深度学习  入侵检测 注意力机制  生成对抗网络  

分 类 号：TN915.08]