文献类型：期刊文章

作　　者：王锁成[1] 陈世平[2]

WANG Suo-cheng;CHEN Shi-ping(School of Optical-Electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China;Network and Information Center Office,University of Shanghai for Science and Technology,Shanghai 200093,China)

机构地区：[1]上海理工大学光电信息与计算机工程学院,上海200093 [2]上海理工大学信息化办公室,上海200093

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(61472256,61170277)资助;上海理工大学科技发展基金项目(16KJFZ035,2017KJFZ033)资助;沪江基金项目(A14006)资助。

年　　份：2023

卷　　号：44

期　　号：12

起止页码：2757-2764

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：网络攻击的准确检测对于防范信息系统中的漏洞是至关重要的.目前,虽然许多网络入侵检测模型都有较高的检测率,但仍存在对不平衡异常网络流量的识别精度低,以及误报率高的问题.因此,本文提出了一种基于残差网络改进的异常流量入侵检测模型,将CICIDS2017数据集转换为灰度图像后,在ResNet50结构的第2层~第5层添加CBAM注意力机制模块,构建残差注意力网络算法,来学习更多异常流量的关键特征.为解决数据集中的类不平衡问题,用改进的焦点损失函数代替交叉熵损失函数,来识别数据集中的小类别攻击.实验结果表明,与基线模型相比,该模型不仅实现了99.29%的总体准确率,而且对于小样本平均都有99%的检测率,这也证明了本文提出的模型的优越性.

关 键 词：入侵检测 残差网络  CBAM 焦点损失函数  不平衡样本  

分 类 号：TP393]