典型文献
基于多任务联合学习的入侵检测方法
文献摘要：
针对目前大多数的网络入侵检测方法存在模型泛化能力较弱以及训练数据集类别不平衡等问题,考虑到网络流量同时具有时间性与空间性的特点,提出了一种基于多任务联合学习的入侵检测方法.首先对数据流量进行预处理,并将数据通过注意力层初始化其权重分布;然后通过胶囊网络(CapsuleNet)与简单循环单元(SRU)分别提取流量数据的空间局部特征与时序特征,并通过辅助任务微调隐层参数,优化少数类样本的识别;最终将特征经过融合后由softmax分类器分类.实验选用CICIDS2017数据集,同时对比了本文方法与其他方法的查准率、召回率与F1.结果表明,本文方法相比另外其他方法的查准率、召回率、F1值均有较好地提升,F1值达到99.51％.
文献关键词：
入侵检测;数据增强;胶囊网络;SRU;多任务学习
中图分类号：
作者姓名：
刘源;刘胜全;刘艳
作者机构：
新疆大学信息科学与工程学院,新疆乌鲁木齐830046
文献出处：
引用格式：
[1]刘源;刘胜全;刘艳-.基于多任务联合学习的入侵检测方法)[J].东北师大学报（自然科学版）,2022(01):72-78
A类：
CapsuleNet
B类：
联合学习,入侵检测方法,网络入侵检测,模型泛化,泛化能力,训练数据集,类别不平衡,网络流量,时间性,空间性,数据流量,数据通,注意力层,初始化,权重分布,胶囊网络,简单循环单元,SRU,流量数据,局部特征,时序特征,辅助任务,微调,少数类,终将,softmax,分类器,CICIDS2017,同时对比,其他方法,查准率,召回率,数据增强,多任务学习
AB值：
0.456434
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
