基于1d-MSCNN+GRU的工业入侵检测方法研究*

宗学军，宋治文，何 戡，连 莲

(沈阳化工大学 信息工程学院，辽宁 沈阳110142)

0 引言

随着工业控制网络(ICN)的高速发展，ICN安全已经是全球性重要问题之一，工业入侵检测作为一种ICN安全防护技术已成为研究热点。在全球每年的网络安全事故中，其中有上百起攻击都是针对工业控制系统(Industrial Control System，ICS)，虽然所占的比重只是网络安全事件的一小部分，但是所造成的影响对国家而言都是巨大的，最为严重的就是经济损失[1]。因此如何有效地从入侵数据中选择特征进行多分类，并提高数据特征提取的准确度，在整个网络信息安全领域具有重要的研究价值。

机器学习在入侵检测中应用很多，例如支持向量机(Support Vector Machine，SVM)[2-3]、K均值聚类算法[4]和贝叶斯网络模型[5]。上述算法在处理特征维度少时拥有较好的检测效果，但却无法满足当今网络安全领域中大量、高维的数据特征分类精度，因此需要开展深度学习的研究。

国内外不少学者将深度学习应用于网络安全领域，文献[6]首先使用不同的降维方法去除了多余的特征，然后将降维后得到的数据传递给卷积神经网络(Convolutional Neural Networks，CNN)，但是其忽略了卷积神经网络的自动提取特征的优势。文献[7]利用遗传算法强大的全局寻优能力来获得最优参数从而优化卷积神经网络。文献[8]提出了一种基于两层神经网络的异常流量检测模型。文献[9]提出了一种基于膨胀卷积和门控循环单元组合的入侵检测模型，并在KDD CUP 99数据集和NSL-KDD数据集进行了仿真，取得了较高的准确率。……