基于M-DRN多尺度特征提取的入侵检测方法

针对基于深度学习的入侵检测技术存在准确率低和模型易过拟合问题,提出一种基于多尺度特征提取优化的深度残差网络(Multiscale-Deep Residual Network,M-DRN)模型.该模型在残差网络的残差块中引入多尺度特征提取和因子分解的思想,并采用BN算法提升网络收敛速度.选用NSL-KDD数据集为实验数据...     

面向ICS的CGAN-DEEPFOREST入侵检测

随着工业化与信息化的深度融合，工业控制系统(ICS)的安全问题广受关注，ICS领域出现了许多入侵检测模型.但是，现存模型存在局限性，无法同时解决数据不平衡、分类时间长、小样本检测率低和准确率低的问题.因此，本文提出CGAN-DeepForest入侵检测模型解决上述问题.首先，采用改进的条件生成对抗网络(CGAN)定向扩充数据来改善数据的不平衡性.其次，采用随机森林对平衡后的数据集进行特征提取，降低分类模型训练时间和分类时间.再次，采用深度森林(DeepForest)进行分类，提高小样本检测率和整体准确率，输出分类结果.最后，使用数据集Gas验证模型效果.实验结果表明，本文模型与简单深度森林模型相比准确率整体提升3%,小样本数据NMRI、MFCI、Dos的查全率、查准率、F1分别提高至95%、84%、90%;与随机森林模型相比，准确率整体提高6%,小样本NMRI的查全率提升23%;与深度卷积神经网络相比，准确率接近94%时，模型训练时间和分类时间提高约50%.