声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2223/N
国际刊号：1000-0054
发布日期:
作者：张思聪, 谢晓尧, 徐洋
单位：1. 贵州大学 计算机科学与技术学院, 贵阳 550025;<br>2. 贵州师范大学 贵州省信息与计算科学重点实验室, 贵阳 550001
关键词：网络空间安全,深度学习,入侵检测,卷积神经网络
基金：国家自然科学基金项目（61461009，U1831131，U1631132）；中央引导地方科技发展专项资金项目（黔科中引地[2018]4008）；贵州省科技合作计划重点项目（黔科合LH字[2015]7763）
为了进一步提高入侵检测系统的检测准确率和检测效率，提出了一种基于深度卷积神经网络（dCNN）的入侵检测方法。该方法使用深度学习技术，如tanh、Dropout和Softmax等，设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数据转换为二维的“图像数据”，然后使用dCNN从中学习有效特征，并结合Softmax分类器产生最终的检测结果。该文基于Tensorflow-GPU实现了该方法，并在一块Nvidia GTX 1060 3 GB的GPU上，使用ADFA-LD和NSL-KDD数据集进行了评估。结果表明：该方法减少了训练时间，提高了检测准确率，降低了误报率，提升了入侵检测系统的实时处理性能和检测效率。
来源：2019年第1期
《清华大学学报(自然科学版)》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。