声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：51-1307/TP
国际刊号：1001-9081
发布日期:
作者：张全龙, 王怀彬
单位：天津理工大学 计算机科学与工程学院, 天津 300384
关键词：网络入侵检测模型,深度学习,门控循环单元,膨胀卷积,网络安全
基金：国家自然科学基金资助项目（61773286）。
基于机器学习的入侵检测模型在网络环境的安全保护中起着至关重要的作用。针对现有的网络入侵检测模型不能够对网络入侵数据特征进行充分学习的问题，将深度学习理论应用于入侵检测，提出了一种具有自动特征提取功能的深度网络模型。在该模型中，使用膨胀卷积来增大对信息的感受野并从中提取高级特征，使用门控循环单元（GRU）模型提取保留特征之间的长期依赖关系，再利用深层神经网络（DNN）对数据特征进行充分学习。与经典的机器学习分类器相比，该模型具有较高的检测率。在著名的KDD CUP99、NSL-KDD和UNSW-NB15数据集上进行的实验表明，该模型具有由于其他分类器的性能。具体来说，该模型在KDD CUP99数据集上的准确率为99.78%，在NSL-KDD数据集上的准确率为99.53%，在UNSW-NB15数据集上的准确率为93.12%。
来源：2021年第5期
《计算机应用》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。