计算机工程

作者：周莎, 车生兵, 考友琛, 张旭, 郭甚驿

单位：中南林业科技大学计算机与信息工程学院, 湖南 长沙 410004

关键词：网络入侵检测,特征选择,深度学习,时空特征提取,特征融合

基金：国家自然科学基金(31870532)

由于恶意软件、Web攻击等行为频发, 需要避免因网络恶意攻击而导致互联网上存在的大量用户隐私信息外泄, 因此, 网络入侵检测成为研究热点。网络入侵数据中存在大量冗余和不相关的信息, 现有的检测模型很少捕捉网络入侵数据中时间和空间维度上的模式和规律, 导致模型的检测性能受到限制。结合特征选择和特征融合, 建立一种新的网络入侵检测模型BRFE-CBIAT。首先通过随机森林(RF)和递归特征剔除(RFE)来构建BRFE模型, 通过BRFE模型对数据特征进行选择, 剔除部分不重要的特征, 减少冗余信息; 其次, 建立时空特征并行提取的CBIAT模型, 使用卷积神经网络(CNN)的一维卷积层对数据进行初步空间特征提取; 然后, 通过时间特征模块中的双向长短时记忆(BiLSTM)网络对深层序列数据进行建模, 捕获特征之间的时序关系, 并利用改进的空间注意模块关注空间特征; 最后, 通过Softmax分类器处理融合的时空特征以获取分类预测结果。实验结果表明, BRFE-CBIAT模型在NSL-KDD和UNSW-NB15数据集上的多分类检测准确率分别为99.7%和94.0%, 优于目前主流的网络模型, 所提模型对多类别的细分效果也存在明显优势, 在NSL-KDD数据集中, 所有细分性能均达到96%以上, 在UNSW-NB15数据集上对DoS攻击的检测F1值达到89%。

来源：2025年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第7期