典型文献
融合DBN和BiLSTM的工业互联网入侵检测方法
文献摘要：
针对当前工业互联网的攻击行为复杂,其网络数据具有海量、高维、时序性和非线性等特征,导致传统入侵检测方法的特征提取困难、检测率低、泛化能力差等问题,提出一种融合深度信念网络(deep belief network,DBN)和双向长短时记忆网络(Bi-directional long short-term memory,BiLSTM)的深度混合入侵检测模型.对数据集进行预处理;利用深度信念网络和双向长短时记忆网络分别对非线性特征和长距离依赖信息进行特征提取;利用softmax分类器识别入侵行为.测试结果表明,相较于目前领先的算法,该方法在天然气管道数据集上的准确率提高了0.82％,误报率降低了0.35％;在UNSW-NB15数据集上的准确率提高了2.40％,误报率降低了4.17％.
文献关键词：
工业互联网;入侵检测;深度学习;深度信念网络;双向长短期记忆网络
中图分类号：
作者姓名：
胡向东;盛顺利
作者机构：
重庆邮电大学 自动化学院,重庆400065;重庆邮电大学 工业互联网学院,重庆400065
文献出处：
引用格式：
[1]胡向东;盛顺利-.融合DBN和BiLSTM的工业互联网入侵检测方法)[J].重庆邮电大学学报（自然科学版）,2022(01):134-146
A类：
B类：
DBN,BiLSTM,工业互联网,入侵检测方法,攻击行为,网络数据,高维,时序性,检测率,泛化能力,深度信念网络,deep,belief,network,双向长短时记忆网络,directional,long,short,term,memory,入侵检测模型,非线性特征,长距离依赖,softmax,分类器,器识,入侵行为,天然气管道,道数,误报率,UNSW,NB15,双向长短期记忆网络
AB值：
0.351837
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。
