近年來,網(wǎng)絡安全檢測已經(jīng)取得了很大的進步。然而,網(wǎng)絡迅速的發(fā)展、流量分布的變化和數(shù)據(jù)樣本中的噪聲等問題都對現(xiàn)有方法提出了很大的挑戰(zhàn)。針對此,提出了基于非對稱分解卷積的網(wǎng)絡安全檢測（Network Security Detection Basedon Asymmetric Decomposed Convolution,ADC-NSD）方法。ADC-NSD方法根據(jù)對網(wǎng)絡連接數(shù)據(jù)的訓練與學習,生成區(qū)別常態(tài)與危險狀態(tài)的安全檢測模型,通過對卷積神經(jīng)網(wǎng)絡中的卷積核進行分解,完成對數(shù)據(jù)進行解析和檢測。最后,以KDDCUP99為測試數(shù)據(jù)集,將ADC-NSD方法與其他機器學習方法進行比較。實驗結(jié)果表明,ADC-NSD方法能有效地解決網(wǎng)絡安全檢測問題,總體精確率為98.72%,準確率為99.92%,召回率為94.61%,F1值為97.19%。 

【文章頁數(shù)】：4 頁

【文章目錄】：
1引言(Introduction)
2相關研究(Related work)
    2.1深度學習
    2.2網(wǎng)絡安全檢測
3方法設計(Method design)
    3.1 KDDCUP99數(shù)據(jù)集
    3.2數(shù)據(jù)預處理
4實驗結(jié)果和分析(Experimental results and analysis)
5結(jié)論(Conclusion)


【參考文獻】：
期刊論文
[1]基于局部二值模式與深度置信網(wǎng)絡的人臉識別[J]. 滿忠昂,劉紀敏,孫宗錕.  軟件工程. 2020(05)
[2]基于相關信息熵和CNN-BiLSTM的工業(yè)控制系統(tǒng)入侵檢測[J]. 石樂義,朱紅強,劉祎豪,劉佳.  計算機研究與發(fā)展. 2019(11)
[3]基于自適應魯棒性的入侵檢測模型[J]. 吳亞麗,李國婷,付玉龍,王曉鵬.  控制與決策. 2019(11)
[4]基于深度強化學習的機械臂避障路徑規(guī)劃研究[J]. 李廣創(chuàng),程良倫.  軟件工程. 2019(03)
[5]卷積神經(jīng)網(wǎng)絡在圖像識別中的應用[J]. 圣文順,孫艷文.  軟件工程. 2019(02)
[6]基于實用拜占庭容錯的物聯(lián)網(wǎng)入侵檢測方法[J]. 潘建國,李豪.  計算機應用. 2019(06)
[7]一種針對基于SVM入侵檢測系統(tǒng)的毒性攻擊方法[J]. 錢亞冠,盧紅波,紀守領,周武杰,吳淑慧,雷景生,陶祥興.  電子學報. 2019(01)
[8]基于KDDCUP99數(shù)據(jù)集的入侵檢測系統(tǒng)的設計與實現(xiàn)[J]. 郭成華.  網(wǎng)絡安全技術與應用. 2017(12)



本文編號：3708202