本文通過CNN提取網(wǎng)絡(luò)數(shù)據(jù)連接基本特征,并將卷積運算后輸出的高級特征作為LSTM網(wǎng)絡(luò)的輸入?yún)?shù)進行長序列預測,有效地解決LSTM的輸入序列特征難題。本文以KDD99訓練集進行模型訓練和測試,實驗證明本文設(shè)計CNN-LSTM混合模型有較高的準確率和F1值。 

【文章來源】：網(wǎng)絡(luò)安全技術(shù)與應用. 2020,(05)

【文章頁數(shù)】：4 頁

【參考文獻】：
期刊論文
[1]基于Adam優(yōu)化GRU神經(jīng)網(wǎng)絡(luò)的SCADA系統(tǒng)入侵檢測方法[J]. 陳土生.  現(xiàn)代計算機. 2019(15)
[2]LSTM Based Reserve Prediction for Bank Outlets[J]. Yu Liu,Shuting Dong,Mingming Lu,Jianxin Wang.  Tsinghua Science and Technology. 2019(01)
[3]基于注意力長短時記憶網(wǎng)絡(luò)的中文詞性標注模型[J]. 司念文,王衡軍,李偉,單義棟,謝鵬程.  計算機科學. 2018(04)
[4]海量數(shù)據(jù)環(huán)境下用于入侵檢測的深度學習方法[J]. 高妮,賀毅岳,高嶺.  計算機應用研究. 2018(04)



本文編號：3364869