如何有效識別工業(yè)物聯(lián)網入侵攻擊行為是一個新挑戰(zhàn).針對工業(yè)物聯(lián)網中入侵檢測特征提取不高、檢測效率低、適應能力差等問題,提出一種基于深度學習的工業(yè)物聯(lián)網智能入侵檢測方法.首先,在數(shù)據(jù)處理上改進采樣算法用于調節(jié)少數(shù)類別樣本數(shù)量,提高檢測精度;其次,構建堆疊降噪卷積自編碼網絡提取關鍵特征,結合卷積神經網絡和降噪自編碼器,加強特征識別能力;為了避免信息丟失和信息模糊,改進池化操作以增加其自適應處理能力,并在模型訓練過程中采用Adam算法獲取最優(yōu)參數(shù);最后,采用NSL-KDD數(shù)據(jù)集測試提出方法的性能.實驗結果表明,該方法相比現(xiàn)有的RNN、DBN和IDABCNN的準確率分別提高了3.66%、4.93%和4.6%;與未經采樣算法的SDCAENN試驗對比, U2R和R2L的檢測精度分別提高17.57%和3.28%. 

【文章來源】：計算機系統(tǒng)應用. 2020年09期

【文章頁數(shù)】：10 頁

【參考文獻】：
期刊論文
[1]基于相關信息熵和CNN-BiLSTM的工業(yè)控制系統(tǒng)入侵檢測[J]. 石樂義,朱紅強,劉祎豪,劉佳.  計算機研究與發(fā)展. 2019(11)
[2]基于卷積神經網絡的入侵檢測算法[J]. 賈凡,孔令智.  北京理工大學學報. 2017(12)
[3]《工業(yè)物聯(lián)網白皮書(2017版)》解讀[J]. 韓麗,李孟良,卓蘭,楊宏,張曉.  信息技術與標準化. 2017(12)

博士論文
[1]基于深度學習的網絡流量分類及異常檢測方法研究[D]. 王偉.中國科學技術大學 2018

碩士論文
[1]基于深度學習的入侵檢測研究與實現(xiàn)[D]. 張寶安.北京郵電大學 2019



本文編號：2924370