發(fā)布時間：2021-02-02 20:36

　　針對傳統(tǒng)的基于機器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測技術(shù)存在準確率偏低和泛化能力較差的問題,提出一種改進的基于BiLSTM的網(wǎng)絡(luò)入侵檢測方法,融合BiLSTM和Batch Normalization機制的優(yōu)點,更好解析數(shù)據(jù)之間潛在的聯(lián)系。在NSLKDD的兩個數(shù)據(jù)集上的實驗結(jié)果表明,與循環(huán)神經(jīng)網(wǎng)絡(luò)入侵檢測方法相比,在二分類實驗的兩個測試集中的準確率分別提高了2.9%和8.41%,五分類實驗中的準確率也有所提高。 

【文章來源】：計算機工程與設(shè)計. 2020,41(07)北大核心

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 相關(guān)工作
2 改進的方法的原理
    2.1 本文方法的模型
    2.2 改進模型中使用的算法
        2.2.1 BiLSTM
        2.2.2 Batch Normalization
3 實驗與結(jié)果分析
    3.1 數(shù)據(jù)集
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)值化
        3.2.2 特征選擇
        3.2.3 標準化
    3.3 評價指標
    3.4 二分類
    3.5 五分類
4 結(jié)束語


【參考文獻】：
期刊論文
[1]Intrusion Detection Algorithm Based on Density,Cluster Centers,and Nearest Neighbors[J]. Xiujuan Wang,Chenxi Zhang,Kangfeng Zheng.  中國通信. 2016(07)



本文編號：3015332