基于CA-ResNet网络与nadam优化的入侵检测算法

【目的】针对深度学习模型在网络入侵检测中进行参数训练时因梯度消失而导致深度学习模型过拟合在测试集上准确率下降的问题。提出一种结合LeakyRelu激活函数与ResNet的网络入侵检测算法,即CA-ResNet,并采用nadam优化器对模型进行优化。【方法】该模型在DNN的基础上增加了网络的层次,结合了ResNet和LeakyRelu激活函数。【结果】解决了模型训练时梯度消失的问题,保证了该模型在测试数据集上的表现,使得训练的模型的泛化能力更强,同时通过增加网络的单层维度和总层次的深度,提高了网络的特征提取能力和对尺度的适应性。【结论】使用KDD Cup99数据中的Corrected数据集对算法进行验证。实验表明,该算法与CNN和CNN-BiLSTM算法相比具有更高的准确率和F1-score,准确率能够达到95.0%,F1-score能够达到97.5,时间复杂度为线性时间复杂度。