基于卷积神经网络的异常流量鉴别方法

入侵检测系统是网络安全的重要组成部分。针对已知网络攻击的检测,深度学习和传统机器学习都存在查准率和准确率低,以及对重要特征难以有效提取的问题,提出一种基于卷积神经网络结构的异常流量鉴别方法CNN-BDF。对入侵数据建立神经网络,在卷积网络后引入批归一化层,并使用Flatten函数作用于卷积层到全连接层的过渡,最后在全连接层中间引入Dropout层。采用NSL-KDD数据集进行模型评估,实验结果表明,CNN-BDF模型的准确率和查准率分别达到89.01%和84.72%,较基于传统机器学习与深度学习的入侵检测模型具有更好的效果。