典型文献
拆分降尺度卷积神经网络入侵检测方法
文献摘要：
针对卷积神经网络(convolutional neural network,CNN)模型待训参数量过大、多层网络导致特征和梯度消失等问题,提出一种基于拆分层和Inception-ResNet的卷积神经网络模型用于入侵检测.首先将网络流量数据转化为具有空间相关性的图像以适用于卷积神经网络的输入;然后使用Inception-ResNet卷积层增加网络深度,减少模型训练参数数量以及消除梯度消失问题,拆分层在降低图像尺度时基本保持图像原有分类特征;最后采用NSL-KDD数据集对改进模型进行训练和测试.测试结果表明:改进模型相对于Inception-ResNet模型具有更高的检测准确率和少数类样本召回率以及更好的训练时间性能.
文献关键词：
入侵检测;网络流量编码;Inception-ResNet;降尺度层;训练效率;特征损失
中图分类号：
作者姓名：
关生;周延森
作者机构：
国际关系学院网络空间安全学院, 北京100091
文献出处：
引用格式：
[1]关生;周延森-.拆分降尺度卷积神经网络入侵检测方法)[J].科学技术与工程,2022(36):16108-16115
A类：
网络流量编码,降尺度层
B类：
拆分,网络入侵检测,入侵检测方法,convolutional,neural,network,参数量,量过大,多层网络,梯度消失,Inception,ResNet,卷积神经网络模型,流量数据,有空,空间相关性,卷积层,模型训练,数数,分类特征,NSL,KDD,改进模型,检测准确率,少数类,召回率,训练时间,时间性能,训练效率,特征损失
AB值：
0.361052
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。
