ADFCNN-BiLSTM:基于注意力和可变形卷积的深度神经网络,用于网络入侵检测
Bin Li1, Jie Li1, Mingyu Jia1
1School of Computer Science, Northeast Electric Power University, Jilin 132012, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了ADFCNN-BiLSTM,这是一种用于网络入侵检测的新型深度学习模型. 它通过分析空间和时间流量特征,有效地识别网络攻击,优于现有的方法.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 网络入侵检测系统 (NIDS) 通过分析网络流量来识别恶意活动至关重要.
- 在庞大的数据集中检测罕见的入侵事件和分类攻击类型仍然是重大挑战.
- 现有的NIDS经常难以充分利用网络流量数据中的空间和时间特征.
研究的目的:
- 提出ADFCNN-BiLSTM,一种新的深度神经网络,旨在增强网络入侵检测.
- 改进从网络流量数据中提取空间和时间特征,以便更准确地识别入侵者.
- 为了解决入侵检测数据集中固有的类失衡问题.
主要方法:
- ADFCNN-BiLSTM集成了可变形卷积和适应空间特征提取的注意力机制,考虑了通道和空间方面.
- BiLSTM用于有效地从网络流量中挖掘时间特征.
- 采用多头注意力机制,专注于与可疑流量相关的时间序列信息,并在数据和算法层面管理类失衡.
主要成果:
- 拟议的ADFCNN-BiLSTM模型在NSL-KDD,UNSW-NB15和CICDDoS2019数据集上进行了评估.
- 实验结果表明,与最先进的模型相比,性能优越.
- 包括精度,检测率和假阳性率在内的关键性能指标得到了显著改善.
结论:
- ADFCNN-BiLSTM为网络入侵检测提供了强大的和有效的深度学习方法.
- 该模型能够提取复杂的空间和时间特征,从而提高其识别各种网络攻击的能力.
- 处理类失衡的拟议方法有助于更可靠,更准确的入侵检测系统.
