-
题名融合MS-IRB与CAM的入侵检测模型
被引量：3
- 1
-
-
作者
黄博
王禹贺
赵艳
于丹
周英
卓德志
李世明
-
机构
哈尔滨师范大学计算机科学与信息工程学院
洛阳师范学院信息技术学院
上海市信息安全综合管理技术研究重点实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第7期1586-1592,共7页
-
基金
黑龙江省自然科学基金项目(F2016030,F2018023)资助
河南省高等学校重点科研项目(21A413001)资助
+1 种基金
河南省科技攻关项目(212102310991)资助
上海市信息安全综合管理技术研究重点实验室开放课题项目(AGK2015003)资助。
-
文摘
针对深度学习模型复杂度高导致的模型训练时间长、收敛速度慢等问题,本文提出了一种融合多尺度倒残差块(Multiscale-Inverted Residual Block,MS-IRB)与通道注意力机制(Channel Attention Mechanism,CAM)的入侵检测模型,该模型在确保检测性能的同时降低了复杂度.首先,将数据集中的一维网络流量数据进行数值化、归一化处理,进而转化为三通道格式;其次,利用三组倒残差块对数据进行多尺度特征提取,所使用的卷积核尺寸分别为1×1、2×2、3×3,采用通道注意力机制为各个卷积通道分配不同权重,提高了本文模型对包含更多有效信息通道的关注度,选用BN方法来降低过拟合程度并加快模型的收敛速度;最后,将全连接处理所得特征矩阵通过Softmax函数映射获得分类结果.为验证本文模型,在UNSW-NB15数据集上进行实验评估.实验结果表明:本文模型参数数量分别比CNN少34%、比LSTM少60%,且计算量比CNN小45%;同时,分类准确率相比CNN提高了0.7%.
-
关键词
入侵检测
ms-irb
深度可分离卷积
通道注意力机制
模型复杂度
-
Keywords
intrusion detection
ms-irb
depthwise separable convolution
channel attention mechanism
model complexity
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
