一种基于自编码器降维的神经卷积网络入侵检测模型.pdfVIP

研究与开发

一种基于自编码器降维的神经卷积网络入侵检测模型

112

孙敬，丁嘉伟，冯光辉

（1.郑州工业应用技术学院信息工程学院，河南郑州451150；

2.广州大学计算机科学与网络工程学院，广东广州510006）

摘要：为了提升入侵检测的准确率，鉴于自编码器在学习特征方面的优势以及残差网络在构建深层模型方

面的成熟应用，提出一种基于特征降维的改进残差网络入侵检测模型（improvedresidualnetworkintrusionde‐

tectionmodelbasedonfeaturedimensionalityreduction，IRFD），进而缓解传统机器学习入侵检测模型的低准确

率问题。IRFD采用堆叠降噪稀疏自编码器策略对数据进行降维，从而提取有效特征。利用卷积注意力机制对

残差网络进行改进，构建能提取关键特征的分类网络，并利用两个典型的入侵检测数据集验证IRFD的检测性

能。实验结果表明，IRFD在数据集UNSW-NB15和CICIDS2017上的准确率均达到99%以上，且F1-score分

别为99.5%和99.7%。与基线模型相比，提出的IRFD在准确率、精确率和F1-score性能上均有较大提升。

关键词：网络攻击；入侵检测模型；堆叠降噪稀疏自编码器；卷积注意力机制；残差网络

中图分类号：TP393

文献标志码：A

doi:10.11959/j.issn.1000−0801.2025002

Aneuralconvolutionalnetworkintrusiondetectionmodel

basedonautoencoderdimensionreduction

112

SUNJing,DINGJiawei,FENGGuanghui

1.SchoolofInformationEngineering,ZhengzhouUniversityofIndustrialTechnology,Zhengzhou451150,China

2.SchoolofComputerScienceandCyberEngineering,GuangzhouUniversity,Guangzhou510006,China

Abstract:Inordertoimprovetheaccuracyofintrusiondetection,consideringtheadvantagesofautoencodersin

learningfeaturesandthematureapplicationofresidualnetworksinconstructingdeepmodels,animprovedresidual

networkintrusiondetectionmodelbasedonfeaturedimensionalityreduction(IRFD)wasproposed.Thegoalofthe

proposedIRFDwastosolvetheissueoflowdetectionaccuracyoftraditionalmachinelearningbasedintrusiondetec‐

tionmodels.InIRFD,thestackingdenoisingsparseautoencoderwasemployedtored