本文通過CNN提取網(wǎng)絡(luò)數(shù)據(jù)連接基本特征,并將卷積運(yùn)算后輸出的高級(jí)特征作為LSTM網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行長序列預(yù)測(cè),有效地解決LSTM的輸入序列特征難題。本文以KDD99訓(xùn)練集進(jìn)行模型訓(xùn)練和測(cè)試,實(shí)驗(yàn)證明本文設(shè)計(jì)CNN-LSTM混合模型有較高的準(zhǔn)確率和F1值。 

【文章來源】：網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2020,(05)

【文章頁數(shù)】：4 頁

【參考文獻(xiàn)】：
期刊論文
[1]基于Adam優(yōu)化GRU神經(jīng)網(wǎng)絡(luò)的SCADA系統(tǒng)入侵檢測(cè)方法[J]. 陳土生.  現(xiàn)代計(jì)算機(jī). 2019(15)
[2]LSTM Based Reserve Prediction for Bank Outlets[J]. Yu Liu,Shuting Dong,Mingming Lu,Jianxin Wang.  Tsinghua Science and Technology. 2019(01)
[3]基于注意力長短時(shí)記憶網(wǎng)絡(luò)的中文詞性標(biāo)注模型[J]. 司念文,王衡軍,李偉,單義棟,謝鵬程.  計(jì)算機(jī)科學(xué). 2018(04)
[4]海量數(shù)據(jù)環(huán)境下用于入侵檢測(cè)的深度學(xué)習(xí)方法[J]. 高妮,賀毅岳,高嶺.  計(jì)算機(jī)應(yīng)用研究. 2018(04)



本文編號(hào)：3364869