基于GSDE-GRU融合模型的网络入侵检测方法

摘要

针对网络入侵检测系统中传统方法在时序特征建模与参数优化方面存在的不足，本研究创新性地提出了一种基于全局敏感性差分进化(GSDE)算法与门控循环单元(GRU)的融合模型。该模型通过GSDE算法实现了GRU网络超参数的智能优化，结合GRU的双门控机制动态捕捉网络流量的时序关联特征，有效解决了传统方法在复杂攻击模式识别中的特征提取不充分和参数配置失配问题。并在网络入侵检测系统数据集(UNSW-NB15、NSL-KDD)上进行验证，结果表明：GSDE-GRU融合模型的检测准确率分别达98.2%和96.8%,误报率低于3.5%;相较于传统GRU模型与机器学习模型，训练收敛速率显著提升，且在不同噪声环境下表现出更强的鲁棒性。本研究为构建高精度、强鲁棒性的网络入侵检测系统提供了创新性的解决方案与工程实践参考。

关键词

网络入侵检测 / 全局敏感性差分进化算法 / 门控循环单元 / 融合模型