结合特征降维和NGO-CNN-BiLSTM的招考智慧平台网络异常流量检测方法

摘要

针对计算机病毒与网络恶意攻击给招考智慧平台系统运维带来的挑战，提出一种结合特征降维和北方苍鹰优化算法(northern goshawk optimization, NGO),优化卷积神经网络(convolutional neural network, CNN)以及双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)的招考智慧平台异常流量检测方法。通过核主元成分分析方法(kernel principal component analysis, KPCA)对数据集蕴含的非线性信息进行降维，将降维后的数据作为深度学习网络模型的输入量。再通过NGO对CNN的卷积核进行优化得到最优卷积核，结合BiLSTM对异常流量进行检测。将CIC-IDS-2017数据集作为入侵检测网络模型的训练与测试样本分析，得到准确率与训练时间对比其他方法都有所提升，证实该方法的可行性和有效性。

关键词

招考智慧平台 / 特征降维 / 卷积神经网络 / 双向长短期记忆网络 / 北方苍鹰优化算法