基于深度级联网络的入侵检测算法研究

针对海量多源异构的网络流量数据难以用传统的机器学习算法有效提取特征,分类效果差的问题,提出一种基于深度级联网络的入侵检测算法,利用神经网络自动学习特征的能力,将卷积神经网络和长短期记忆网络结合起来,同时提取流量数据的空间特征和时序特征,并采用softmax进行分类,提高模型的检测性能和泛化能力。最后将该算法在KDDCUP99数据集上进行验证,实验结果表明,该入侵检测模型相较于SVM、DBN等算法有更高的检测率,准确率可达95.39%,误报率仅0.96%,有效提高了入侵检测分类性能。