资料下载
如何使用混合卷积神经网络和循环神经网络进行入侵检测模型的设计
分享资料个
针对电力信息网络中的高级持续性威胁问题，提出一种基于混合卷积神经网络（ CNN）和循环神经网络（ RNN）的入侵检测模型。该模型根据网络数据流量的统计特征对当前网络状态进行分类。首先，获取日志文件中网络流量的各统计值，进行特征编码、归一化等预处理工作；然后，通过深度卷积神经网络中可变卷积核提取不同主机入侵流量之间空间相关特征；最后，将已经处理好的包含空间相关特征的数据在时间上错开排列，利用深度循环神经网络挖掘入侵流量的时间相关特征。实验结果表明，该模型相对于传统的机器学习模型在曲线下方的面积（ AUC）上提升了7. 5%~ 14. 0%，同时误报率降低了83.7%～52.7%。所提模型能准确地识别网络流量的类别，大幅降低误报率。
高级持续性威胁（Advanced Persistent Threat．APT）攻击是一种高级的网络入侵技术，因其极强的隐蔽性、针对性、持续性和不计成本的长期入侵机制，使得各类核心网络的安全受到极大的威胁。电力信息网络作为整个电力资源管理的核心，因其存储着海量的高价值数据，来自网络的安全威胁往往更为突出。例如，2015年乌克兰电网系统遭受了黑客入侵，植入的恶意软件同时攻击了多个电网公司，这是史上首次导致大规模停电的恶意网络攻击。因此尽早地检测到网络的入侵行为，隔离处理各种潜在的威胁，为国民生活生产提供可靠的保障刻不容缓。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
