基于CNN和BiLSTM的分层注意力网络入侵检测方法

来源：计算机技术与发展杂志2024年第11期北京时间：

作者：罗虹富;王恒*;马自强

摘要：目前基于深度学习的入侵检测方法仍然存在特征提取不足、检测精度不佳等问题。 对此,该文提出了一种基于 CNN 和 BiLSTM 的分层注意力网络入侵检测方法。 在每一个 CNN 层和 BiLSTM 层之后引入自注意力机制,单层的 CNN 和BiLSTM 与自注意力机制结合分别形成一个 CA 和 BA 结构,用于提取局部的空间特征和时序特征,多层的 CA 和 BA 结构组合可以充分学习流量数据的多层次空时特征,将学习到的特征通过拼接操作进行特征融合,最后送入到多层感知机中进行预测分类;针对数据集的类不平衡问题,采用变分自编码器(VAE)对少数类进行数据增强,以平衡数据集。 在公开数据集 NSL-KDD 上的实验结果表明,与其他现有入侵检测方法相比,该方法在二分类中的准确率和 F1 分数分别达到了85. 61% 和 85. 55% ,在多分类中的准确率和 F1 分数分别达到了 81. 07% 和 80. 63% ,有效提高了网络入侵的检测性能。

关键词：入侵检测;深度学习;特征融合;自注意力机制;类不平衡