一种基于深度可分离卷积和注意力机制的入侵检测方法

为提高网络入侵检测中多分类的准确率,提出了一种基于深度可分离卷积和注意力机制的入侵检测方法。该方法通过深度可分离卷积、长短期记忆网络组成级联结构,提高了模型对数据中空间和时间特征的提取能力;进一步融入混合域注意力机制完善特征提取过程,提高了模型的检测能力。为了解决在中小样本上检测率低的问题,设计了一种基于变分自编码器和生成对抗网络的数据平衡策略,能有效应对网络数据集的数据不平衡现象,提升了所提检测方法的适应性。在CICIDS-2017、NSL-KDD和UNSW-NB15数据集上的实验结果表明,所提方法能够取得99.80%、99.32%、83.87%的准确率,检测准确率分别提高了0.6%、0.5%、2.3%。