一种基于卷积神经网络的入侵检测方法

发布时间：2021-07-29 13:45

　　在网络流量较大及复杂入侵环境下,传统入侵检测系统检测能力弱且精度低。针对此问题,提出一种基于卷积神经网络的检测方法CNN-Focal。利用卷积神经网络对数据进行特征提取,使用Softmax回归进行多分类,并采用Focal loss损失函数解决NSL-KDD数据集不平衡的问题。实验结果表明,CNN-Focal的精度与F1评分分别达到79.25%和76.9%,与其他机器学习算法相比,其精度和F1评分有显著提高。 

【文章来源】：计算机应用与软件. 2020,37(10)北大核心

【文章页数】：6 页

【部分图文】：

卷积神经网络基本结构

入侵检测问题是一个分类问题,可以通过有监督学习训练出分类模型,然后使用训练的模型对未知数据进行预测。在使用卷积神经网络时,输入层输入数据通常是二维的,入侵记录是一维数据,因此在卷积操作选择方面,本文采取一维卷积方法对入侵记录数据进行卷积操作。根据NSL-KDD标签不平衡和模型实际分类性能等情况,本文设计了CNN-Focal模型,其结构如图2所示。CNN-Focal模型共有10层,1个输入层、3个卷积层、3个Dropout层、1个Max-pooling层、1个全连接层和1个Softmax层。该模型具体描述如下:

本文采用的入侵检测数据集的标签分布是不平衡的,数据集标签统计如图3所示。Focal Loss函数适用于不平衡数据集,因此本文采用Focal Loss作为模型的损失函数。与其他损失函数相比,Focal Loss损失函数修正了正负样本、难分和易分样本对损失的贡献量。3) Adam优化算法。

【参考文献】：
期刊论文
[1]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟.  上海大学学报(自然科学版). 2018(03)
[2]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸.  计算机应用研究. 2018(07)



本文编号：3309436