基于DSCNN-BiLSTM的入侵检测方法

商富博, 韩忠华,2*, 林 硕,2, 单 丹, 戚爰伟

(1.沈阳建筑大学信息与控制工程学院， 沈阳 110168； 2.中国科学院沈阳自动化研究所数字工厂研究室， 沈阳 110016)

随着互联网时代的到来，网络安全问题显得尤为重要，大量的网络流量数据导致网络环境面临着巨大威胁，一旦遭受黑客的恶意攻击，将会给人们的日常生活乃至国家安全带来隐患。入侵检测技术能够保障网络安全，近年来受到学术科研领域的广泛关注，其通过建立入侵检测模型，学习网络流量数据的特征信息，从而准确识别未知的攻击行为。

在入侵检测技术的研究中，文献[1]提出了一种基于异卷积神经网络的入侵检测方法，采用两种不同的卷积神经网络提取网络训练数据，从而得到最优模型，结果表明该方法具有良好的性能，但该方法的缺点是模型容易陷入过拟合[1]；文献[2]提出了基于相关信息熵和融合卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)的工业控制系统入侵检测模型，将基于相关信息熵的特征选择和深度学习算法相结合，提高了检测精度，此方法的缺点为训练时间较长，模型结构较复杂[2]；文献[3]提出了一种基于深度卷积神经网络的入侵检测研究，可以自动从数据中提取局部特征，与已有的方法相比，所提方法具有更快的检测准确率、更低的误报率和更快的检测速率，但是该方法仅考虑网络流量数据的空间特征，忽略了网络流量数据的时间特征[3]；文献[4]提出了一种融合卷积……