典型文献
基于CNN与WRGRU的网络入侵检测模型
文献摘要：
针对当前的入侵检测方法普遍存在准确率与泛化性较低的问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和权重缩减门控循环单元(Weight Reduction Gated Recurrent Unit,WRGRU)的网络入侵检测模型(CNN-WRGRU).该模型首先利用CNN进行入侵检测数据集的特征提取,其次利用WRGRU来学习数据特征之间的依赖关系,保留了特征之间的长期相关性,有效地防止了过拟合现象的出现,提高了模型的识别准确率及泛化性.在实验中,将CNN-WRGRU与传统方法在公开数据集上进行了检测性能比较,结果证明CNN-WRGRU模型具有更好的识别效果,有效地提高了入侵检测的识别精度.
文献关键词：
入侵检测;权重缩减门控循环单元;特征提取;依赖关系;识别精度
中图分类号：
作者姓名：
王运兵;姬少培;查成超
作者机构：
中国电子科技集团公司第三十研究所,四川 成都 610041
文献出处：
引用格式：
[1]王运兵;姬少培;查成超-.基于CNN与WRGRU的网络入侵检测模型)[J].通信技术,2022(04):486-492
A类：
WRGRU,权重缩减门控循环单元
B类：
网络入侵检测,入侵检测模型,入侵检测方法,泛化性,Convolutional,Neural,Network,Weight,Reduction,Gated,Recurrent,Unit,检测数据集,学习数据,数据特征,依赖关系,过拟合,识别准确率,公开数据集,检测性能,性能比较,识别精度
AB值：
0.267083
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。
