利用哈里斯鹰算法优化卷积神经网络的入侵检测研究
2023-08-06李响缪祥华张如雪张宣琦
化工自动化及仪表 2023年4期
李响 缪祥华 张如雪 张宣琦



摘 要 以往利用卷积神经网络(CNN)搭建入侵检测模型时,需用人工经验设定网络结构,导致其网络性能很难发挥最优。为此,提出利用哈里斯鹰算法(HHO)对CNN的网络结构进行自适应优化,构建入侵检测模型。首先针对传统CNN全连接层易发生过拟合的问题,采用全局池化层(GAP)对参数进行缩减;然后采用哈里斯鹰算法选取CNN最佳网络结构,避免人工干预引起的检测不确定性,从而缩短参数选择时间,提升入侵检测模型的适用性和入侵检测性能。在NSL-KDD数据集的实验结果表明:所提哈里斯鹰算法优化改进后的卷积神经网络构建的入侵检测模型,检测准确率93.68%,误报率1.65%,检测性能优于SVM、AdaBoost、BP入侵检测模型。
关键词 入侵检测 HHO-GCNN模型 卷积神经网络 哈里斯鹰算法 自适应优化 全局池化层 NSL-KDD数据集
中图分类号 TP393.08 文献标识码 A 文章编号 1000-3932(2023)04-0513-08
随着科学技术的不断发展,网络几乎成为生产和生活中不可或缺的部分。网络给人类带来便利的同时,越来越多的网络安全事件频发,因此,有效维护网络安全是国内外研究人员一直关注的重要课题。入侵检测作为网络安全防护的有效手段被广泛研究,传统的入侵检测系统易受时间复杂度和空间复杂度的制约,导致其自适应能力较差。因此,许多研究人员将机器学习引入入侵检测中,针对不同攻击类型提出了多种类型的检测模型,但仍存在一系列的问题[1]:首先,机器学习模型在檢测准确率上效果一般并存在较高的误报率;……
登录APP查看全文
