基于CNN-LSTM模型的网络入侵检测方法，使用的是UNSW-NB15数据集，代码包含实验预处理，混淆矩阵输出，使用分成K折交叉验证，实验采用多分类，取得良好的效果。
Loss: 0.05813377723097801
Accuracy: 0.9769517183303833
Precision: 0.9889464676380157
Recall: 0.9685648381710052
2024-09-20 20:56:16
397KB
1
针对无线传感器网络入侵检测技术面临的挑战,利用了人工免疫技术的基本原理,提出一种基于危险理论的入侵检测模型。模型采用了分布式合作机制,与采用混杂模式监听获取全局知识的方法相比,在检测性能和能耗上都具有优势。仿真结果表明,相比于传统的单一阈值Watchdog算法和自我非我(SNS)模型,基于危险理论的检测模型能够提供较高的检测率和较低的误检率,并且有效降低了系统的能耗。
2024-04-26 13:34:41
640KB
1
针对网络入侵检测准确率偏低而误报率偏高的问题，提出一种融合卷积神经网络（CNN）与双向长短期记忆（ BILSTM）网络的网络入侵检测方法。对 Kddcup99数据集进行预处理，并分别使用CNN模型、 BILSTM模型提取局部特征和长距离依赖特征，通过注意力机制计算特征的重要性，利用 softmax分类器获得最终的分类结果实验结果表明，与基于CNN和基于LSTM的方法相比，该方法的网络入侵检测效果较好，其准确率可提高至95.0%，误检率可降低至5.1%。
2023-03-06 19:31:28
2.91MB
1
首先转为excel文件，再对第2，3，4，41列字符型数据转为数值型数据，转换原则是字符型数据按首字母排序顺序赋值，以0开始。
2022-12-12 18:00:32
63.91MB
1
网络安全经典数据集NSL-KDD是在原有KDD99的基础上产生的，删除了部分无用数据，可以更好的用于验证网络入侵检测算法的性能！
2022-11-27 21:00:31
6.29MB
1
为了提高网络入侵检测率，提出一种协同量子粒子群算法和最小二乘支持向量机的网络入侵检测模型（CQPSO-LSSVM）。将网络特征子集编码成量子粒子位置，入侵检测正确率作为特征子集优劣的评价标准，采用协同量子粒子群算法找到最优特征子集，采用最小二乘支持向量机建立网络入侵检测模型，并采用KDD CUP 99数据集进行仿真测试。结果表明，CQPSO-LSSVM获得了比其他入侵检测模型更高的检测效率和检测率。
2022-08-04 09:22:10
549KB
1