基于轻量级卷积神经网络的DDoS攻击检测研究

分布式拒绝服务攻击(DDoS)可以攻击、侵入、破坏物联网设备。在COVID-19期间,将大量物联网终端设备用于疫情防控加速了信息交换频率,但过于简单的网络安全防御方式也让网络安全问题成为热议话题。深度学习(DL)已被广泛应用于网络安全领域,用于检测和应对各类安全等级较低的网络环境。针对具备简单结构的智能终端,传统DL模型对计算和内存资源的需求较高,在应对大量流量攻击时,往往需要额外的运行成本。提出一种基于自注意力机制与轻量级卷积神经网络(Self-attention-LCNN)的模型,通过以流为单位,对特定时间段内的数据包提取特征,用于检测和预防复杂网络环境中针对智能终端的DDoS攻击。Self-attention-LCNN模型在CICDDos2019数据集上的准确率为99.21%,将模型部署在树莓派上得到的平均检测率为93%,说明Self-attention-LCNN模型在资源受限的智能终端攻击检测方面具有良好的识别效果。

基于ICNN-MMD的网络入侵检测方法

针对网络入侵检测中存在标签真实样本稀缺,准确率偏低、泛化能力较差的问题,提出一种结合域间距离的ICNN-MMD的迁移学习网络入侵检测方法,通过减小源域与目标域的分布差异实现域适应与特征迁移。首先,利用改进卷积神经网络(ICNN)在源域数据上预训练最优模型;然后,利用最大均值差异(MMD)衡量源域、目标域距离,以无监督方式进行二次训练达到域适应并共享网络权值。在NSL-KDD数据集上的实验表明,本文所提模型相较于ICNN在KDDTest+、KDDTest-21的准确率分别提升1.5%与2.96%,提高了网络入侵检测模型的总体指标,为检测网络入侵提供了新方法。

改进YOLOv5的安全帽佩戴检测算法

近年来,安全帽佩戴检测在深度学习领域得到广泛研究,为解决现有安全帽检测算法精度低、抗干扰能力弱、移植性较差等问题,提出一种基于改进YOLOv5的目标检测算法。首先,引入残差模块将深层特征信息与浅层特征信息相连,加强网络间的信息交流;然后结合坐标注意力机制(CA),在不增加计算量的前提下提升模型特征提取能力;最后优化损失函数曲线,以提升模型回归效果。实验表明,所提模型相较于传统YOLOv5方法检测精度提升3.6%,能快速准确地检测安全帽,更适合解决实际工程问题。