基于CGAN-CNN-attention-BiLSTM网络的工控入侵检测系统
工业控制管理系统在实现信息网络化的进程中,以庞大的数据量进行高速率传输为特点,建立安全区域尤为重要.针对非协议的网络攻击,基于CNN-attention-BiLSTM网络的系统模型的入侵检测系统以卷积神经网络提取特征值,辅以条件生成对抗网络,通过生成新样本解决样本不平衡性问题.用户对入侵检测系统的评估主要关注准确率、完备性、及时性等性能.该文算法将输入向量通过改进遗传算法优化的信念网络进行降维处理;利用条件生成对抗网络生成少数攻击样本类型的样本;利用卷积层提取局部特征;利用注意力机制来发掘不同的特征对攻击类型的预测的权重影响.该文将基于CNN-attention-BiLSTM网络的模型和基于卷积神经网络以及基于attention-BiLSTM网络等技术的模型进行对比,将cgan和cvae进行对比,从准确率、误报率、处理性能和完备性等角度对性能进行评估.实验证明,基于CGAN-CNN-atten?tion-BiLSTM网络的模型在kdd 99测试集上的性能最优;使用信念网络降维能有效减少程序运行时间.
遗传算法;深度信念网络;卷积神经网络;注意力机制;BiLSTM
17
TP393(计算技术、计算机技术)
2021-12-16(万方平台首次上网日期,不代表论文的发表时间)
共5页
15-19