基于Adam-BNDNN的网络入侵检测模型

摘要：

针对传统入侵检测算法检测精度低、误报率高等问题,提出了一种融合批量规范化和深度神经网络的网络入侵检测模型;该模型首先在深度神经网络隐藏层添加批量规范化层,优化隐藏层的输出结果,然后采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,提高模型检测能力;并使用NSL-KDD数据集进行仿真实验,结果表明该模型的检测效果优于SNN、KNN、DNN等检测方法;整体检测率可达99.41％,整体误报率为0.59％,证明了模型的可行性.

关键词：入侵检测、深度神经网络、批量规范化、NSL数据集

所属期刊栏目：28

分类号：TP393.0(计算技术、计算机技术)

资助基金：国防基础科研计划项目;四川省教育厅;四川省教育厅;四川省组织部

在线出版日期：2020-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：58-62,81