深度学习下时序特征提取的网络入侵检测模型

为解决目前入侵检测算法对网络流量数据特征提取不充分、模型分类结果准确率低的问题,同时鉴于网络流量数据具有时序性和特征允余的特性,本文提出了一种融合多通道一维卷积和BiGRU的网络入侵检测模型。首先,通过多通道一维卷积对网络流量数据进行粗化和细化提取,以捕捉不同层次的时序特征。然后,采用双向门控循环网络充分挖掘网络流量数据的时序特征,并使用SoftPool池化层替代传统池化层以保留更多的特征信息。此外,通过卡方检测方法剔除不相关的特征,减少允余特征,实现数据降维。最后,使用UBSW-NB15数据集和CIC-IDS2017数据集对入侵检测模型进行训练和测试。实验表明,该模型相比其他入侵检测算法具有更高的入侵检测准确率。