基于深度级联网络的入侵检测算法研究
2021年电子技术应用第11期
郭卫霞，张 伟，杨国玉
中国大唐集团科学技术研究院，北京100043
摘要： 针对海量多源异构的网络流量数据难以用传统的机器学习算法有效提取特征，分类效果差的问题，提出一种基于深度级联网络的入侵检测算法，利用神经网络自动学习特征的能力，将卷积神经网络和长短期记忆网络结合起来，同时提取流量数据的空间特征和时序特征，并采用softmax进行分类，提高模型的检测性能和泛化能力。最后将该算法在KDDCUP99数据集上进行验证，实验结果表明，该入侵检测模型相较于SVM、DBN等算法有更高的检测率，准确率可达95.39%，误报率仅0.96%，有效提高了入侵检测分类性能。
中圖分類號： TN03；TP393
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211394
中文引用格式： 郭衛霞，張偉，楊國玉. 基于深度級聯網絡的入侵檢測算法研究[J].電子技術應用，2021，47(11)：68-72.
英文引用格式： Guo Weixia，Zhang Wei，Yang Guoyu. Research on intrusion detection algorithm based on deep cascade network[J]. Application of Electronic Technique，2021，47(11)：68-72.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211394
中文引用格式： 郭衛霞，張偉，楊國玉. 基于深度級聯網絡的入侵檢測算法研究[J].電子技術應用，2021，47(11)：68-72.
英文引用格式： Guo Weixia，Zhang Wei，Yang Guoyu. Research on intrusion detection algorithm based on deep cascade network[J]. Application of Electronic Technique，2021，47(11)：68-72.
Research on intrusion detection algorithm based on deep cascade network
Guo Weixia，Zhang Wei，Yang Guoyu
China Datang Corporation Science and Technology Research Institute，Beijing 100043，China
Abstract： Aiming at the problem that traditional machine learning algorithms are difficult to effectively extract features from massive multi-source heterogeneous network traffic data, and the classification effect is poor, an intrusion detection algorithm based on deep cascaded network is proposed, which uses the ability of neural network to automatically learn features. Convolutional neural network(CNN) is combined with long short-term memory network(LSTM) to extract the spatial and temporal characteristics of traffic data at the same time. And softmax is used for classification to improve the detection performance and generalization ability of the model. Finally, the algorithm is verified on the KDDCUP99 data set. The experimental results show that the intrusion detection model has a higher detection rate than SVM, DBN and other algorithms, with an accuracy rate of 95.39% and a false alarm rate of only 0.96%, which effectively improves intrusion detection classification performance.
Key words : intrusion detection；feature extraction；convolutional neural network(CNN)；long short-term memory(LSTM)
0 引言
信息技術的高速發展極大地豐富和便利了人們的學習、生活和工作，但與此同時網絡攻擊導致的網絡異常中斷、用戶個人信息泄露等事件頻頻發生，互聯網所面臨的各種安全威脅變得日益嚴重，因此維護網絡安全變得至關重要。網絡入侵檢測作為一種動態有效的主動檢測技術，能夠通過分析網絡流量數據識別具有攻擊行為的信息，在網絡受到攻擊之前進行及時的攔截和響應，目前已經成為信息安全領域研究的重要內容之一。
入侵檢測技術最早于1980年由Anderson[1]提出。1987年Denning[2]采納了Anderson技術報告中的檢測建議，提出了入侵檢測專家系統(Intrusion Detection Expert System，IDES)，后來大量的研究人員提出了各種入侵檢測算法來提升檢測效果。近些年，機器學習算法被廣泛應用在各種入侵檢測技術中，文獻[3]將支持向量機(Support Vector Machine，SVM)應用于網絡異常流量檢測中。文獻[4]利用K近鄰(K-Nearest Neighbor，KNN)算法進行網絡入侵檢測，提高了分類效果。文獻[5]基于并行K-means聚類算法對異常流量數據進行分簇，降低分類誤差。上述算法在一定程度上提高了入侵檢測精度，但是基于機器學習的入侵檢測算法依賴于人工提取的數據特征，需要人為進行大量復雜的特征工程，并且對于海量多源異構的網絡入侵數據沒有很好的魯棒性。
本文詳細內容請下載：http://www.tom3567.com/resource/share/2000003829。
作者信息：
郭衛霞，張 偉，楊國玉
(中國大唐集團科學技術研究院，北京100043)
此內容為AET網站原創，未經授權禁止轉載。