基于堆叠稀疏去噪自编码器的混合入侵检测方法

摘要

针对高维数据场景下传统入侵检测方法特征提取困难、检测准确率低等问题，提出一种集成多种深度学习模型的混合入侵检测方法.该方法由特征降维算法和混合检测模型2部分组成.首先，利用堆叠稀疏去噪自编码器对原始数据进行特征降维，从而剔除可能存在的噪声干扰和冗余信息.然后，采用一维卷积神经网络和双向门控循环单元学习数据中的空间维度特征和时序维度特征，将融合后的空时特征通过注意力分配不同的权重系数，从而使有用的信息得到更好表达，再经由全连接层训练后进行分类.为检验方案的可行性，在UNSW-NB15数据集上进行验证.结果表明，该模型与其他同类型入侵检测算法相比，拥有更优秀的检测性能，其准确率达到99.57%,误报率仅为0.68%.

关键词

异常检测 / 注意力机制 / 堆叠稀疏去噪自编码器 / 一维卷积神经网络 / 双向门控循环单元

基金资助

国家自然科学基金(U1836103); 四川省高校重点实验室重点项目(WSN2022001)