基于1DCNN-BiGRU和改进特征选择的网络入侵检测方法

摘要

现有网络入侵检测方法因数据类别分布不均衡、特征冗余等问题而导致其多分类检测准确率较低，为此提出一种基于一维卷积神经网络-双向门控循环单元(1DCNN-BiGRU)和改进特征选择的网络入侵检测方法。在数据预处理阶段，引入合成少数类过采样技术(SMOTE)提高模型对少数类别特征的识别能力，采用信息增益方法和随机森林算法进行特征选择，选取对分类任务具有关键作用的特征；在模型训练阶段，先采用1DCNN提取局部关联特征，并引入多头自注意力机制，从全局视角捕获数据中不同位置元素之间的依赖关系，再通过BiGRU提取数据中的长距离时序关联特征，最后使用Softmax分类器实现多分类检测。实验结果表明，本文模型在NSL-KDD数据集和UNSW-NB15数据集上的多分类准确率分别达到99.65%和84.83%,较其他几种用于对比的主流入侵检测模型更具优势。

关键词

网络入侵检测 / 卷积神经网络 / 双向门控循环单元 / 多头自注意力机制 / 随机森林