基于dCNN的入侵检测方法 |
| |
引用本文: | 张思聪,谢晓尧,徐洋.基于dCNN的入侵检测方法[J].清华大学学报(自然科学版),2019(1). |
| |
作者姓名: | 张思聪 谢晓尧 徐洋 |
| |
作者单位: | 贵州大学计算机科学与技术学院;贵州师范大学贵州省信息与计算科学重点实验室 |
| |
摘 要: | 为了进一步提高入侵检测系统的检测准确率和检测效率,提出了一种基于深度卷积神经网络(dCNN)的入侵检测方法。该方法使用深度学习技术,如tanh、Dropout和Softmax等,设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数据转换为二维的"图像数据",然后使用dCNN从中学习有效特征,并结合Softmax分类器产生最终的检测结果。该文基于Tensorflow-GPU实现了该方法,并在一块Nvidia GTX 1060 3GB的GPU上,使用ADFA-LD和NSL-KDD数据集进行了评估。结果表明:该方法减少了训练时间,提高了检测准确率,降低了误报率,提升了入侵检测系统的实时处理性能和检测效率。
|
本文献已被 CNKI 等数据库收录! |
|