高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于密集连接卷积神经网络的入侵检测技术研究

缪祥华 单小撤

缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究[J]. 电子与信息学报. doi: 10.11999/JEIT190655
引用本文: 缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究[J]. 电子与信息学报. doi: 10.11999/JEIT190655
Xianghua MIAO, Xiaoche SHAN. Research on Intrusion Detection Technology Based on Densely Connected Convolutional Neural Networks[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT190655
Citation: Xianghua MIAO, Xiaoche SHAN. Research on Intrusion Detection Technology Based on Densely Connected Convolutional Neural Networks[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT190655

基于密集连接卷积神经网络的入侵检测技术研究

doi: 10.11999/JEIT190655
详细信息
    作者简介:

    缪祥华:男,1972年,博士后,副教授,研究方向为信息安全、网络安全、移动通信安全

    单小撤:男,1992年,硕士生,研究方向为信息安全、入侵检测

    通讯作者:

    单小撤 2258868766@qq.com

  • 中图分类号: TN918.91

Research on Intrusion Detection Technology Based on Densely Connected Convolutional Neural Networks

  • 摘要: 卷积神经网络在入侵检测技术领域中已得到广泛应用,一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对上述问题,该文提出将密集连接卷积神经网络(DCCNet)应用到入侵检测技术中,并通过使用混合损失函数达到提升检测准确率的目的。用KDD 99数据集进行实验,将实验结果与常用的LeNet神经网络、VggNet神经网络结构相比。分析显示在检测的准确率上有一定的提高,而且缓解了在训练过程中梯度弥散问题。
  • 图  1  密集连接入侵检测模型框架

    图  2  3个密集连接模块的完整密集连接神经网络

    图  3  一个5层密集连接模块

    图  4  在KDD 99数据集上不同条件下的检测准确率

    图  5  不同损失函数下的5种特征类型检测准确率

    表  1  4种攻击类型

    攻击类型备注
    Dos拒绝服务攻击
    R2l远程主机的未授权访问
    U2r授权的本地超级用户特权访问
    Probe端口监视或扫描
    下载: 导出CSV

    表  2  密集连接卷积神经网络具体结构

    层结构输出尺寸46层网络结构62层网络结构102层网络结构126层网络结构
    卷积层24×243×3卷积,步长=2
    密集连接块112×12$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 4$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 6$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 12$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 12$
    过渡层112×121×1卷积
    6×62×2平均池化
    密集连接块26×6$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 6$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 10$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 24$ $\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 24$
    过渡层26×61×1卷积
    3×32×2平均池化
    密集连接块33×3$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 10$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 12$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 12$$\left[ \begin{array}{l} {\rm{1}} \times {\rm{1conv}} \\ {\rm{3}} \times {\rm{3conv}} \\ \end{array} \right] \times 24$
    特征分类层1×13×3全局平局池化
    1×1250D全连接
    1×11000维损失函数层
    下载: 导出CSV

    表  3  本文实验模型数据与其他模型结果对比(%)

    模型准确率AC(%)误报率FA(%)
    本文98.761.32
    LeNet92.180.97
    IBIDM92.940.76
    IRes97.232.73
    MSCNN92.368.08
    下载: 导出CSV

    表  4  NSL-KDD数据集在不同模型下的准确率和召回率

    模型准确率AC(%)召回率Recall(%)
    本文0.9730.915
    LSTM-RESNET[14]0.9650.695
    文献[15]0.8720.928
    cPCA-AMSOM[16]0.9460.944
    下载: 导出CSV
  • [1] LU Na, WU Yidan, FENG Li, et al. Deep Learning for fall detection: Three-dimensional CNN combined with LSTM on video kinematic data[J]. IEEE Journal of Biomedical and Health Informatics, 2019, 23(1): 314–323. doi:  10.1109/JBHI.2018.2808281
    [2] LIU Pengju. An intrusion detection system based on convolutional neural network[C]. The 2019 11th International Conference on Computer and Automation Engineering, Perth, Australia, 2019. doi: 10.1145/3313991.3314009.
    [3] 刘月峰, 王成, 张亚斌, 等. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90–95, 153. doi:  10.3778/j.issn.1002-8331.1712-0021

    LIU Yuefeng, WANG Cheng, ZHANG Yabin, et al. Multiscale convolutional CNN model for network intrusion detection[J]. Computer Engineering and Applications, 2019, 55(3): 90–95, 153. doi:  10.3778/j.issn.1002-8331.1712-0021
    [4] 赵昱博. 基于卷积神经网络的入侵检测技术的研究[D]. [硕士论文], 哈尔滨工程大学, 2018.

    ZHAO Yibo. Research on intrusion detection technology based on convolutional neural network[D]. [Master dissertation], Harbin Engineering University, 2018.
    [5] WANG Shengwei, WANG Hongkui, XIANG Sen, et al. Densely connected convolutional network block based autoencoder for panorama map compression[J]. Signal Processing: Image Communication, 2020, 80: 115678. doi:  10.1016/j.image.2019.115678
    [6] WEN Yandong, ZHANG Kaipeng, LI Zhifeng, et al. A discriminative feature learning approach for deep face recognition[C]. The 14th European Conference on Computer Vision, Amsterdam, Netherlands, 2016: 499–515. doi: 10.1007/978-3-319-46478-7_31.
    [7] 郭晨, 简涛, 徐从安, 等. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J]. 电子与信息学报, 2019, 41(6): 1302–1309. doi:  10.11999/JEIT180677

    GUO Chen, JIAN Tao, XU Congan, et al. Radar HRRP target recognition based on deep multi-scale 1D convolutional neural network[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1302–1309. doi:  10.11999/JEIT180677
    [8] 范晓诗, 雷英杰, 王亚男, 等. 流量异常检测中的直觉模糊推理方法[J]. 电子与信息学报, 2015, 37(9): 2218–2224. doi:  10.11999/JEIT150023

    FAN Xiaoshi, LEI Yingjie, WANG Yanan, et al. Intuitionistic fuzzy reasoning method in traffic anomaly detection[J]. Journal of Electronics &Information Technology, 2015, 37(9): 2218–2224. doi:  10.11999/JEIT150023
    [9] 颜伟, 耿路, 周雷, 等. 基于海情和三次样条插值算法的舰船雷达散射截面优化分析方法[J]. 电子与信息学报, 2018, 40(3): 579–586. doi:  10.11999/JEIT170562

    YAN Wei, GENG Lu, ZHOU Lei, et al. Optimization analysis method on ship RCS based on sea conditions and cubic spline interpolation algorithm[J]. Journal of Electronics &Information Technology, 2018, 40(3): 579–586. doi:  10.11999/JEIT170562
    [10] CHAWLA A, LEE B, FALLON S, et al. Host based intrusion detection system with combined CNN/RNN Model[C]. Joint European Conference on Machine Learning and Knowledge Discovery in Databases, Dublin, Ireland, 2019. doi: 10.1007/978-3-030-13453-2_12.
    [11] CORTES C, GONZALVO X, KUZNETSOV V, et al. AdaNet: Adaptive structural learning of artificial neural networks[J]. arXiv: 1607.01097, 2016.
    [12] SHARMA S, GIGRAS Y, CHHIKARA R, et al. Analysis of NSL KDD dataset using classification algorithms for intrusion detection system[J]. Recent Patents on Engineering, 2019, 13(2): 142–147. doi:  10.2174/1872212112666180402122150
    [13] POTLURI S, AHMED S, and DIEDRICH C. Convolutional neural networks for multi-class intrusion detection system[C]. The 6th International Conference on Mining Intelligence and Knowledge Exploration, Cluj, Romania, 2018: 225–238. doi: 10.1007/978-3-030-05918-7_20.
    [14] YANG Yingen and WANG Zhongyang. Intrusion detection technology based on deep neural network[J]. Network Security Technology & Application, 2019(4): 37–41.
    [15] SHONE N, NGOC T N, PHAI V D, et al. A deep learning approach to network intrusion detection[J]. IEEE Transactions on Emerging Topics in Computational Intelligence, 2018, 2(1): 41–50. doi:  10.1109/TETCI.2017.2772792
    [16] 吴德鹏, 柳毅. 基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与用, 2019, 5: 1–9.

    WU Depeng and LIU Yi. Intrusion detection model based on self-organizing mapping of variable network stucture[J]. Computer Engineering and Applications, 2019, 5: 1–9.
    [17] 陈红松, 陈京九. 基于循环神经网络的无线网络入侵检测分类模型构建与优化研究[J]. 电子与信息学报, 2019, 41(6): 1427–1433. doi:  10.11999/JEIT180691

    CHEN Hongsong and CHEN Jingjiu. Recurrent neural networks based wireless network intrusion detection and classification model construction and optimization[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1427–1433. doi:  10.11999/JEIT180691
  • [1] 赵海涛, 程慧玲, 丁仪, 张晖, 朱洪波.  基于深度学习的车联边缘网络交通事故风险预测算法研究, 电子与信息学报. 2020, 42(1): 50-57. doi: 10.11999/JEIT190595
    [2] 申滨, 王欣, 陈思吉, 崔太平.  基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知, 电子与信息学报. 2020, 41(0): 1-9. doi: 10.11999/JEIT191012
    [3] 柯丽, 王丹妮, 杜强, 姜楚迪.  基于卷积长短时记忆网络的心律失常分类方法, 电子与信息学报. 2020, 42(8): 1990-1998. doi: 10.11999/JEIT190712
    [4] 刘政怡, 段群涛, 石松, 赵鹏.  基于多模态特征融合监督的RGB-D图像显著性检测, 电子与信息学报. 2020, 42(4): 997-1004. doi: 10.11999/JEIT190297
    [5] 赵斌, 王春平, 付强.  显著性背景感知的多尺度红外行人检测方法, 电子与信息学报. 2020, 42(0): 1-9. doi: 10.11999/JEIT190761
    [6] 袁野, 贾克斌, 刘鹏宇.  基于深度卷积神经网络的多元医学信号多级上下文自编码器, 电子与信息学报. 2020, 42(2): 371-378. doi: 10.11999/JEIT190135
    [7] 贺丰收, 何友, 刘准钆, 徐从安.  卷积神经网络在雷达自动目标识别中的研究进展, 电子与信息学报. 2020, 42(1): 119-131. doi: 10.11999/JEIT180899
    [8] 牛伟纳, 蒋天宇, 张小松, 谢娇, 张俊哲, 赵振扉.  基于流量时空特征的fast-flux僵尸网络检测方法, 电子与信息学报. 2020, 42(8): 1872-1880. doi: 10.11999/JEIT190724
    [9] 杜兰, 魏迪, 李璐, 郭昱辰.  基于半监督学习的SAR目标检测网络, 电子与信息学报. 2020, 42(1): 154-163. doi: 10.11999/JEIT190783
    [10] 刘小燕, 李照明, 段嘉旭, 项天远.  基于卷积神经网络的印刷电路板色环电阻检测与定位方法, 电子与信息学报. 2020, 42(9): 2302-2311. doi: 10.11999/JEIT190608
    [11] 申铉京, 沈哲, 黄永平, 王玉.  基于非局部操作的深度卷积神经网络车位占用检测算法, 电子与信息学报. 2020, 42(9): 2269-2276. doi: 10.11999/JEIT190349
    [12] 谢金宝, 侯永进, 康守强, 李佰蔚, 张霄.  基于语义理解注意力神经网络的多元特征融合中文文本分类, 电子与信息学报. 2018, 40(5): 1258-1265. doi: 10.11999/JEIT170815
    [13] 刘勤让, 刘崇阳.  利用参数稀疏性的卷积神经网络计算优化及其FPGA加速器设计, 电子与信息学报. 2018, 40(6): 1368-1374. doi: 10.11999/JEIT170819
    [14] 吕晓琪, 吴凉, 谷宇, 张明, 李菁.  基于深度卷积神经网络的低剂量CT肺部去噪, 电子与信息学报. 2018, 40(6): 1353-1359. doi: 10.11999/JEIT170769
    [15] 周伟伟, 郁滨.  WSNs多阶段入侵检测博弈最优策略研究, 电子与信息学报. 2018, 40(1): 63-71. doi: 10.11999/JEIT170323
    [16] 张冰涛, 王小鹏, 王履程, 张忠林, 李延林, 刘虎.  基于图论的MANET入侵检测方法, 电子与信息学报. 2018, 40(6): 1446-1452. doi: 10.11999/JEIT170756
    [17] 伍家松, 达臻, 魏黎明, SENHADJILotfi, 舒华忠.  基于分裂基-2/(2a)FFT算法的卷积神经网络加速性能的研究, 电子与信息学报. 2017, 39(2): 285-292. doi: 10.11999/JEIT160357
    [18] 李寰宇, 毕笃彦, 查宇飞, 杨源.  一种易于初始化的类卷积神经网络视觉跟踪算法, 电子与信息学报. 2016, 38(1): 1-7. doi: 10.11999/JEIT150600
    [19] 杜兰, 刘彬, 王燕, 刘宏伟, 代慧.  基于卷积神经网络的SAR图像目标检测算法, 电子与信息学报. 2016, 38(12): 3018-3025. doi: 10.11999/JEIT161032
    [20] 李磊, 张宝贤, 黄河清, 刘海涛.  无线传感器网络路径覆盖问题研究, 电子与信息学报. 2010, 32(10): 2429-2433. doi: 10.3724/SP.J.1146.2009.01433
  • 加载中
  • 图(5) / 表ll (4)
    计量
    • 文章访问数:  1375
    • HTML全文浏览量:  400
    • PDF下载量:  44
    • 被引次数: 0
    出版历程
    • 收稿日期:  2019-08-29
    • 修回日期:  2020-05-09
    • 网络出版日期:  2020-05-28

    目录

      /

      返回文章
      返回

      官方微信,欢迎关注