公开(公告)号：CN109446804B

公开(公告)日：2022-02-01

申请号：CN201811127767.5

申请日：2018-09-27

Applicant: 桂林电子科技大学

Inventor： 江泽涛 ,  秦嘉奇 ,  江婧 ,  周谭盛子 ,  胡硕

IPC: G06F21/55 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于多尺度特征连接卷积神经网络的入侵检测方法，使用卷积神经网络的超强特征提取能力提取到入侵数据中的关键特征和关联特征，使得提取到的特征在各种环境下都有较强的鲁棒性，网络结构也有很强的普适性。同时利用卷积自编码器和未标注数据对卷积层组参数进行预训练，使得网络即使在标注数据量较少的情况下也能够获得很好的效果，解决了大量数据标注困难的问题。当训练的卷积神经网络达到要求之后保存网络参数，之后的系统部署过程不需要再次进行训练，给系统的实施和部署带来了便利。当采集到新的网络入侵数据，之前训练的权重可以作为初始值载入网络进行微调训练，该入侵检测网络可以寻求到更优的性能。

公开(公告)号：CN109446804A

公开(公告)日：2019-03-08

申请号：CN201811127767.5

申请日：2018-09-27

Applicant: 桂林电子科技大学

Inventor： 江泽涛 ,  秦嘉奇 ,  江婧 ,  周谭盛子 ,  胡硕

IPC: G06F21/55 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于多尺度特征连接卷积神经网络的入侵检测方法，使用卷积神经网络的超强特征提取能力提取到入侵数据中的关键特征和关联特征，使得提取到的特征在各种环境下都有较强的鲁棒性，网络结构也有很强的普适性。同时利用卷积自编码器和未标注数据对卷积层组参数进行预训练，使得网络即使在标注数据量较少的情况下也能够获得很好的效果，解决了大量数据标注困难的问题。当训练的卷积神经网络达到要求之后保存网络参数，之后的系统部署过程不需要再次进行训练，给系统的实施和部署带来了便利。当采集到新的网络入侵数据，之前训练的权重可以作为初始值载入网络进行微调训练，该入侵检测网络可以寻求到更优的性能。