典型文献
基于改进CNN-LSTM的网络入侵检测模型研究
文献摘要：
针对网络入侵检测模型特征提取算法复杂、训练参数过多、检测结果不理想等问题,提出一种改进卷积神经网络与长短期记忆网络结合的网络入侵检测方法(GCNN-LSTM).首先,使用卷积神经网络对流量数据做特征选择,并选择全局池化层代替其中的全连接层;其次,结合长短期记忆网络强大的时间序列学习能力对改进卷积神经网络选择后的特征进行学习分类,以期在网络异常数据检测方面获得更好的效率和准确率.实验结果表明,提出的模型在UNSW-NB15数据集上有着较好的检测效果.在同等条件下,使用传统卷积神经网络的模型准确率为84.97％,训练时间为76.3?s;本模型准确率达到了88.96％,训练时间为61.1?s.
文献关键词：
卷积神经网络;LSTM;全局池化;网络入侵检测
中图分类号：
作者姓名：
葛继科;刘浩因;李青霞;陈祖琴
作者机构：
重庆科技学院智能技术与工程学院,重庆 401331
文献出处：
引用格式：
[1]葛继科;刘浩因;李青霞;陈祖琴-.基于改进CNN-LSTM的网络入侵检测模型研究)[J].软件工程,2022(01):56-58,55
A类：
B类：
网络入侵检测,入侵检测模型,模型特征,特征提取算法,改进卷积神经网络,卷积神经网络与长短期记忆,长短期记忆网络,入侵检测方法,GCNN,流量数据,特征选择,全局池化,全连接层,序列学习,网络选择,网络异常,异常数据检测,UNSW,NB15,检测效果,同等条件,模型准确率,训练时间
AB值：
0.316834
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。
