计算机应用

作者：王月, 江逸茗, 兰巨龙

单位：战略支援部队信息工程大学, 郑州 450001

关键词：网络安全,入侵检测,深度学习,三元组网络,K近邻,多重相似性损失函数

基金：国家重点研发计划项目（2018YFB0804002）。

入侵检测一直以来被视作是保证网络安全的重要手段。针对网络入侵检测中检测准确率和计算效率难以兼顾的问题，借鉴深度度量学习思想，提出了改进三元组网络（imTN）结合K近邻（KNN）的网络入侵检测模型imTN-KNN。首先，设计了适用于解决入侵检测问题的三元组网络结构，以获取更有利于后续分类的距离特征；其次，为了应对移除传统模型中的批量归一化（BN）层造成过拟合进而影响检测精度的问题，引入了Dropout层和Sigmoid激活函数来替换BN层，从而提高模型性能；最后，用多重相似性损失函数替换传统三元组网络模型的损失函数。此外，将imTN的距离特征输出作为KNN算法的输入再次训练。在基准数据集IDS2018上的对比实验表明：与现有性能良好的基于深度神经网络的入侵检测系统（IDS-DNN）和基于卷积神经网络与长短期记忆（CNN-LSTM）的检测模型相比，在Sub_DS3子集上，imTN-KNN的检测准确率分别提高了2.76%和4.68%，计算效率分别提高了69.56%和74.31%。

来源：2021年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第7期