典型文献
基于CNN_BiLSTM网络的入侵检测方法
文献摘要：
网络攻击事件频发,正确高效地检测攻击行为对网络安全至关重要.该方法基于一维卷积神经网络和双向长短期记忆网络引入自注意力机制来检测恶意行为.首先借助随机森林来选择重要的特征作为模型输入以减少输入数据的冗余问题,之后利用一维卷积神经网络和双向长短期记忆网络分别提取空间特征和时间特征,将二者提取的特征"并联"得到融合特征,为了让有用的输入信息得到更好表达,引入了自注意力机制给融合后的特征分配不同的权重,用门控循环单元模型训练,最后利用softmax函数进行分类.为了验证模型的有效性,在UNSW_NB15数据集上进行了评估,实验表明该模型比单一的模型有着明显的性能提升.该方法将特征选择和深度学习模型相融合,能够有效去除噪声冗余,加快模型训练速度,具有较好的应用前景.
文献关键词：
特征选择;一维卷积;双向长短期记忆网络;自注意力机制;入侵检测
中图分类号：
作者姓名：
马明艳;陈伟;吴礼发
作者机构：
南京邮电大学 计算机学院、软件学院、网络空间安全学院,南京 210023
文献出处：
引用格式：
[1]马明艳;陈伟;吴礼发-.基于CNN_BiLSTM网络的入侵检测方法)[J].计算机工程与应用,2022(10):116-124
A类：
B类：
BiLSTM,入侵检测方法,网络攻击事件,攻击行为,一维卷积神经网络,双向长短期记忆网络,自注意力机制,恶意,先借,模型输入,输入数据,空间特征,时间特征,融合特征,门控循环单元模型,模型训练,softmax,验证模型,UNSW,NB15,性能提升,特征选择,深度学习模型,除噪声,训练速度
AB值：
0.265772
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。
