基于改进ConvLSTM的入侵检测方法

针对网络入侵检测模型泛化能力弱的问题，提出了一种基于权重丢弃的卷积化长短期记忆网络（WDConvLSTM）和梯度惩罚生成对抗网络（WGAN-GP）的入侵检测方法。在数据处理方面，对网络流量数据进行归一化和数值化后使用主成分分析法进行数据降维。在特征提取方面，利用所提WD-ConvLSTM挖掘出高维数据深层的空间特征。最后把挖掘出来的空间特征输入Softmax函数得到分类结果。为了缓解数据不平衡导致的过拟合问题，引入WGAN-GP对稀有类型数据进行过采样，进一步增强模型的泛化能力。在NSL-KDD数据集上对所提出的入侵检测方法进行了实验，结果表明，无论是与随机森林、支持向量机、贝叶斯等传统机器学习方法，还是与降噪自编码器、多尺度卷积神经网络等深度学习方法相比，所提出的方法在准确率、F1值上表现更好。