自适应遗传算法优化堆叠LSTM超参数的入侵检测研究

摘要

针对传统入侵检测模型检测准确率、精确率偏低和模型泛化能力不足的问题，采用自适应遗传算法优化堆叠（Long short-term memory, LSTM）进行入侵检测研究。构建堆叠LSTM入侵检测模型提取网络数据特征，为充分利用堆叠LSTM各层提取到的数据特征信息，改进堆叠LSTM的网络结构，将各层LSTM提取到的特征信息进行保留合并。为确定模型的最佳超参数取值，使用自适应遗传算法（Adaptive genetic algorithm,AGA）优化模型的超参数，AGA迭代完成后的输出即为最佳超参数取值，使用最佳超参数取值构建入侵检测模型。该模型在NSL-KDD数据集上的检测准确率为99.03%、精确率为94.86%、召回率为95.39%，在UNSW-NB15数据集上的检测准确率为90.21%、精确率为86.97%、召回率为89.11%。在所有对比模型中表现最优，且模型的泛化能力较强，能准确检测出未知攻击。

关键词

入侵检测 / 超参数优化 / 自适应遗传算法 / 堆叠LSTM