基于CNN和BiLSTM的分层注意力网络入侵检测方法

目前基于深度学习的入侵检测方法仍然存在特征提取不足、检测精度不佳等问题。对此,该文提出了一种基于CNN和BiLSTM的分层注意力网络入侵检测方法。在每一个CNN层和BiLSTM层之后引入自注意力机制,单层的CNN和BiLSTM与自注意力机制结合分别形成一个CA和BA结构,用于提取局部的空间特征和时序特征,多层的CA和BA结构组合可以充分学习流量数据的多层次空时特征,将学习到的特征通过拼接操作进行特征融合,最后送入到多层感知机中进行预测分类;针对数据集的类不平衡问题,采用变分自编码器(VAE)对少数类进行数据增强,以平衡数据集。在公开数据集NSL-KDD上的实验结果表明,与其他现有入侵检测方法相比,该方法在二分类中的准确率和F1分数分别达到了85.61%和85.55%,在多分类中的准确率和F1分数分别达到了81.07%和80.63%,有效提高了网络入侵的检测性能。

不同湿态下不锈钢/涤纶针织物的导电性能

采用不锈钢与涤纶混纺的导电纱线编织成1+1罗纹织物,通过测试其干态、湿态下的电阻分析其导电性能。实验结果表明:当织物宽度为2cm时,随着织物长度从2cm增加到4,6,8cm,织物横向电阻从0.25MΩ增大到0.89,1.64,2.11MΩ,分别增加了256%,84.2%,28.6%;纵向电阻从22.57MΩ增大到40.81,71.24,100.75MΩ,分别增加了80.82%,74.56%,41.7%。对于同一块织物,随着含水率增加到20%,30%,40%,各不同面积织物的横、纵向电阻均呈减小趋势。通过多角度比较不同湿态下不锈钢纤维的电阻,发现织物干态时的电阻与织物尺寸和组织结构相关,织物湿态时电阻主要与织物的含水量和织物的尺寸相关,为开发相关感应出汗量的智能纺织品提供依据。