基于膨胀卷积与BiLSTM的入侵检测模型

来源：计算机技术与发展杂志2024年第07期北京时间：

作者：李奕蒙;高玉琢*

摘要：针对基于深度学习的入侵检测系统存在局部特征提取效果不佳,提取维度单一,预测精度有待提高和模型计算开销过高等问题,提出了一种基于膨胀卷积网络(Dilated Convolution Network,DCN)与双向长短记忆网络(Bidirectional Long Short Memory Network,BiLSTM)的入侵检测模型。首先使用改进的三层膨胀卷积神经网络(Dilated Convolution Network,DCN)结构进行局部特征提取,解决了局部特征提取效果不佳、提取维度单一的问题;其次使用将膨胀卷积与BiLSTM相结合的办法解决预测精度有待提高的问题;最后通过在模型中引入分组卷积技术使模型轻量化,解决了计算开销过高的问题。在公开数据集CICIDS2017上进行了实验,经过对比传统模型以及现有的入侵检测方法表明,所提模型拥有较好的性能。模型预测准确率、召回率、F1值较高,证明了其有效性和可行性。

关键词：网络安全;入侵检测;膨胀卷积网络;双向长短记忆网络;特征提取