改进的基于BiLSTM的网络入侵检测方法

发布时间：2021-02-02 20:36

　　针对传统的基于机器学习的网络入侵检测技术存在准确率偏低和泛化能力较差的问题,提出一种改进的基于BiLSTM的网络入侵检测方法,融合BiLSTM和Batch Normalization机制的优点,更好解析数据之间潜在的联系。在NSLKDD的两个数据集上的实验结果表明,与循环神经网络入侵检测方法相比,在二分类实验的两个测试集中的准确率分别提高了2.9%和8.41%,五分类实验中的准确率也有所提高。 

【文章来源】：计算机工程与设计. 2020,41(07)北大核心

【文章页数】：6 页

【文章目录】：
0 引言
1 相关工作
2 改进的方法的原理
    2.1 本文方法的模型
    2.2 改进模型中使用的算法
        2.2.1 BiLSTM
        2.2.2 Batch Normalization
3 实验与结果分析
    3.1 数据集
    3.2 数据预处理
        3.2.1 数值化
        3.2.2 特征选择
        3.2.3 标准化
    3.3 评价指标
    3.4 二分类
    3.5 五分类
4 结束语


【参考文献】：
期刊论文
[1]Intrusion Detection Algorithm Based on Density,Cluster Centers,and Nearest Neighbors[J]. Xiujuan Wang,Chenxi Zhang,Kangfeng Zheng.  中国通信. 2016(07)



本文编号：3015332