基于神经网络和长短期记忆网络的网络入侵检测
针对网络入侵检测准确率偏低而误报率偏高的问题，提出一种融合卷积神经网络（CNN）与双向长短期记忆（BILSTM）网络的网络入侵检测方法。对Kddcup99数据集进行预处理，并分别使用CNN模型、BILSTM模型提取局部特征和长距离依赖特征，通过注意力机制计算特征的重要性，利用softmax分类器获得最终的分类结果。实验结果表明，与基于CNN和基于LSTM的方法相比，该方法的网络入侵检测效果较好，其准确率可提高至95.0%，误检率可降低至5.1%。
针对网络入侵检测准确率偏低而误报率偏高的问题，提出一种融合卷积神经网络（CNN）与双向长短期记忆（BILSTM）网络的网络入侵检测方法。对Kddcup99数据集进行预处理，并分别使用CNN模型、BILSTM模型提取局部特征和长距离依赖特征，通过注意力机制计算特征的重要性，利用softmax分类器获得最终的分类结果。实验结果表明，与基于CNN和基于LSTM的方法相比，该方法的网络入侵检测效果较好，其准确率可提高至95.0%，误检率可降低至5.1%。