基于 CNN 与 WRGRU 的网络入侵检测模型

摘  要：

针对当前的入侵检测方法普遍存在准确率与泛化性较低的问题，提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）和权重缩减门控循环单元（Weight Reduction Gated Recurrent Unit，WRGRU）的网络入侵检测模型（CNN-WRGRU）。该模型首先利用 CNN 进行入侵检测数据集的特征提取，其次利用 WRGRU 来学习数据特征之间的依赖关系，保留了特征之间的长期相关性，有效地防止了过拟合现象的出现，提高了模型的识别准确率及泛化性。在实验中，将 CNN-WRGRU 与传统方法在公开数据集上进行了检测性能比较，结果证明 CNNWRGRU 模型具有更好的识别效果，有效地提高了入侵检测的识别精度。

内容目录：

1 　相关理论基础

1.1 　卷积神经网络

1.2 　GRU 神经网络

2 　权重缩减 GRU 神经网络

3 　基于 CNN 与 WGRU 的网络入侵检测模型

4 　仿真实验

4.1 　实验数据

4.2　性能评估

4.3　实验对比分析

５　结　语

随着互联网通信技术的进步，每天都会产生大量的来自医疗保健、交通、社交媒体和生产制造等行业的数据。这些海量的数据具备被定义为大数据的 4 个特征：海量性、多样性、高速性和准确性。由于大数据的范围极大地提高了可利用的攻击点，因此很难在大数据环境中进行入侵检测。Denning等人 于 1986 年首次引入了入侵检测系统，建立了一个入侵检测模型，以识别网络系统中的异常行为。由于大数据结构的不断发展和变化，