摘要
随着计算机技术的不断发展,网络中的数据呈现出复杂、庞大、冗余且多维的特性。为提高基于深度学习的入侵检测系统的检测性能,提出基于Transformer的入侵检测方法。首先,对数据进行预处理使之符合神经网络的输入要求,并利用SMOTE-GMM算法解决数据不平衡问题;其次,利用Transformer编码器对输入特征进行提取,通过Transformer解码器建立编码器输出和解码器输入的注意力联系;最后,通过Softmax完成分类。为评估模型检测性能,在NSL-KDD数据集上进行实验验证,实验结果表明,基于Transformer的入侵检测方法与DNN、AIDS、FEEM等方法相比性能提升显著,分类准确率达88.2%、精确率达89.7%。
0 引言
随着互联网的快速发展,网络安全问题日益凸显,网络数据遭受各种攻击。如何保护信息完整性,降低网络攻击对国家、企业和个人造成的损失,成为当下亟待解决的问题。
入侵检测系统(