基于DeepInsight和迁移学习的入侵检测技术

摘要

针对入侵检测研究中，入侵检测训练样本较少、样本不平衡等问题，本文提出一种基于DeepInsight和迁移学习的入侵检测方法 DI–TL–CNN (DeepInsight–transfer learning–convolutional neural network,DI–TL–CNN).分析采用DeepInsight方法将入侵数据转换为适合CNN模型输入的图像数据集的过程；研究基于VGG16模型的训练方法，并进一步利用迁移学习开展目标域入侵检测的过程.通过冻结和微调CNN模型中不同模块参数，比较研究了6种迁移方案，并基于数据集实验研究，获得优化方案.采用以UNSW-NB15为基础的不平衡数据集作为方法验证对象，进行网络的入侵检测分析，验证本文提出的DI–TL–CNN方法的正确性；进一步实验比较研究本文提出的方法与其他方法的检测性能，实验结果表明，DI–TL–CNN方法更加适用于样本较小和不平衡数据情况下的入侵检测，其准确率和召回率等性能指标均优于其他检测方法，具有良好的应用前景.

关键词

入侵检测 / DeepInsight / 迁移学习 / 迁移方案 / 卷积神经网络

基金资助

国家自然科学基金民航联合基金重点资助项目（U2133203,U2233205）