10.11959/j.issn.2096-109x.2018056
基于深度循环神经网络和改进SMOTE算法的组合式入侵检测模型
已有入侵检测模型普遍只针对网络入侵行为的静态特征进行分析检测,造成检测率低及误报率高等缺陷,且无法有效应用低频攻击.为此提出一种新的基于深度循环神经网络(DRNN)和区域自适应合成过采样算法(RA-SMOTE)的组合式入侵检测模型(DRRS).首先,RA-SMOTE对数据集中低频攻击样本进行自适应区域划分,实现差别样本增量,从数据层面提升低频攻击样本数量;其次,利用DRNN特有的层间反馈单元,完成多阶段分类特征的时序积累学习,同时多隐层网络结构实现对原始数据分布的最优非线性拟合;最后,使用训练好的DRRS模型完成入侵检测.实验结果表明,相比已有入侵检测模型,DRRS在改善整体检测效果的同时显著提高了低频攻击检测率,且对未知新型攻击具有一定检出率,适用于实际网络环境.
网络安全、深度学习、入侵检测、循环神经网络、过采样算法
4
TP393.08(计算技术、计算机技术)
国家科技重大专项基金资助项目2016ZX01012101;国家自然科学基金资助项目61572520;国家自然科学基金创新群体资助项目61521003
2018-09-28（万方平台首次上网日期，不代表论文的发表时间）
共12页
48-59
