结合卷积神经网络和三支决策的入侵检测算法

吴启睿，黄树成

江苏科技大学 计算机学院，江苏 镇江 212003

互联网时代，计算机的网络安全引起了越来越多的关注，如何识别网络攻击是其中非常关键的问题之一[1]。作为识别网络攻击的重要技术，入侵检测技术一直为国内外学者广泛研究。

传统的基于机器学习的入侵检测技术已经在入侵检测中得到了大量的应用[2]。常见的传统机器学习算法有支持向量机算法（support vector machines，SVM）[3]、K近邻算法（k-nearest neighbors，KNN）[4]以及随机森林算法（random forest，RF）[5]。上述方法在一定程度上提高了入侵检测的性能。然而，传统的基于机器学习的算法不能自主地学习特征，不能很好地反映原始网络数据，并且检测模型稳定性不高，面对海量的网络数据时，并不能取得一个很好的识别效果。

随着深度学习在众多领域取得了巨大的成功，越来越多的深度学习技术也被应用到了入侵检测当中，常用的深度学习技术有深度信念网络[6]、自编码器[7]、循环神经网络[8]等。作为深度学习的有效算法，卷积神经网络是一种基于局部感受野和权值共享的特殊结构的深度学习模型，这样的结构使得卷积神经网络的模型所需参数更少，复杂度更低，从而能够很好地提取数据的深层特征。文献[9]在经典的卷积神经网络模型基础上先通过神经元映射得到新的特征矩阵，然后使用深度卷积神经网络进行特征提取，提升了系统性能。文献[10]将卷积神经网络提取的空间特征和循环神经网络提取的时间特征相融合并引入注意力机制，特征提取能力更强。……