基于多阶段特征选择和CNN-GRU的网络入侵检测模型

摘要

针对网络入侵检测数据中冗余特征多导致入侵检测准确率低的问题，本文提出了一种基于多阶段特征选择和CNN-GRU的网络入侵检测模型。首先，针对数据集的特征冗余，结合皮尔逊相关系数（PCC）和随机森林（RF）构建PCC-RF特征选择算法进行多阶段特征选择，构造最优特征子集。其次，利用卷积神经网络（CNN）对空间特征的强大提取能力和门控循环单元（GRU）的优秀时序特征提取能力，构建CNNGRU模型。最后，将最优特征子集输入到CNN-GRU模型中进行训练。使用UNSW-NB15数据集进行实验，实验结果表明：数据集在经过PCC-RF特征处理算法后，维度更低，效果更佳，本文所提模型检测准确率达到84.72%。

关键词

网络入侵检测 / 特征选择 / 卷积神经网络 / 门控循环单元