如何有效識(shí)別工業(yè)物聯(lián)網(wǎng)入侵攻擊行為是一個(gè)新挑戰(zhàn).針對(duì)工業(yè)物聯(lián)網(wǎng)中入侵檢測(cè)特征提取不高、檢測(cè)效率低、適應(yīng)能力差等問題,提出一種基于深度學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)智能入侵檢測(cè)方法.首先,在數(shù)據(jù)處理上改進(jìn)采樣算法用于調(diào)節(jié)少數(shù)類別樣本數(shù)量,提高檢測(cè)精度;其次,構(gòu)建堆疊降噪卷積自編碼網(wǎng)絡(luò)提取關(guān)鍵特征,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和降噪自編碼器,加強(qiáng)特征識(shí)別能力;為了避免信息丟失和信息模糊,改進(jìn)池化操作以增加其自適應(yīng)處理能力,并在模型訓(xùn)練過程中采用Adam算法獲取最優(yōu)參數(shù);最后,采用NSL-KDD數(shù)據(jù)集測(cè)試提出方法的性能.實(shí)驗(yàn)結(jié)果表明,該方法相比現(xiàn)有的RNN、DBN和IDABCNN的準(zhǔn)確率分別提高了3.66%、4.93%和4.6%;與未經(jīng)采樣算法的SDCAENN試驗(yàn)對(duì)比, U2R和R2L的檢測(cè)精度分別提高17.57%和3.28%. 

【文章來源】：計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020年09期

【文章頁(yè)數(shù)】：10 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]基于相關(guān)信息熵和CNN-BiLSTM的工業(yè)控制系統(tǒng)入侵檢測(cè)[J]. 石樂義,朱紅強(qiáng),劉祎豪,劉佳.  計(jì)算機(jī)研究與發(fā)展. 2019(11)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法[J]. 賈凡,孔令智.  北京理工大學(xué)學(xué)報(bào). 2017(12)
[3]《工業(yè)物聯(lián)網(wǎng)白皮書(2017版)》解讀[J]. 韓麗,李孟良,卓蘭,楊宏,張曉.  信息技術(shù)與標(biāo)準(zhǔn)化. 2017(12)

博士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類及異常檢測(cè)方法研究[D]. 王偉.中國(guó)科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于深度學(xué)習(xí)的入侵檢測(cè)研究與實(shí)現(xiàn)[D]. 張寶安.北京郵電大學(xué) 2019



本文編號(hào)：2924370