网络安全的深度学习:用于准确的入侵检测的Attention-CNN-LSTM模型
1Department of Computer Science, College of Science, Northern Border University, Arar, Saudi Arabia. abdullah.alashjaee@nbu.edu.sa.
Scientific reports
|July 1, 2025
概括
一个新的混合深度学习模型,Attention-CNN-LSTM,提高了入侵检测系统 (IDS) 对网络威胁的性能. 这种新的方法实现了高精度,并支持实时网络安全.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 不断发展的网络威胁需要先进的入侵检测系统 (IDS).
- 传统的IDS很难跟上恶意软件和尸网络等复杂攻击的步伐.
- 深度学习为更有效的网络威胁检测提供了潜力.
研究的目的:
- 提出一种新的混合深度学习模型,用于增强网络入侵检测.
- 提高入侵检测系统的准确性和效率.
- 解决现有方法在识别各种网络威胁方面的局限性.
主要方法:
- 开发了一种混合深度学习模型,命名为Attention-CNN-LSTM.
- 集成卷积神经网络 (CNN) 用于空间特征提取.
- 利用长短期记忆 (LSTM) 进行时间序列建模和自我注意机制来优先考虑信息特征.
主要成果:
- 在NSL-KDD和Bot-IoT数据集上实现了94.8%至97.5%的高准确率.
- 显著改善了马修斯相关系数 (MCC) 和F1得分.
- 证明了35ms以下的延迟,支持实时推断和每秒处理超过1200条记录.
结论:
- 注意-CNN-LSTM模型为入侵检测系统提供了卓越的性能.
- 混合架构有效地结合了CNN,LSTM和注意力机制,用于强大的威胁检测.
- 该模型的实时功能使其适用于高流量网络环境.
