基于1d-MSCNN+GRU的工業入侵檢測方法研究
信息技術與網絡安全 9期
宗學軍，宋治文，何 戡，連 蓮
(沈陽化工大學 信息工程學院，遼寧 沈陽110142)
摘要： 針對傳統機器學習方法對特征依賴大，以及傳統卷積神經網絡只通過提取重要的局部特征來完成識別分類，收斂速度慢的問題，提出了一維多尺度卷積神經網絡和門控循環單元相結合的入侵檢測方法。該方法使用一維多尺度卷積神經網絡加強對特征的捕捉能力，加快收斂速度，采用門控循環單元把握空間特征，減少通道數量擴張，降低數據維度。使用KDD CUP 99數據集和密西西比州大學的天然氣管道的數據集進行仿真實驗，結果表明與經典的機器學習分類器相比，該方法具有較高的入侵檢測性能和較好的泛化能力。
中圖分類號： TP391.9
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.09.005
引用格式： 宗學軍，宋治文，何戡，等. 基于1d-MSCNN+GRU的工業入侵檢測方法研究[J].信息技術與網絡安全，2021，40(9)：25-31.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.09.005
引用格式： 宗學軍，宋治文，何戡，等. 基于1d-MSCNN+GRU的工業入侵檢測方法研究[J].信息技術與網絡安全，2021，40(9)：25-31.
Research on industrial intrusion detection method based on 1d-MSCNN+GRU model
Zong Xuejun，Song Zhiwen，He Kan，Lian Lian
(College of Information Engineering，Shenyang University of Chemical Technology，Shenyang 110142，China)
Abstract： In order to solve the problem that traditional machine learning methods rely heavily on features, and traditional convolutional neural network only extracts important local features to complete recognition and classification, and the convergence speed is slow, an intrusion detection method combining 1-dimensional multiscale convolutional neural network and gated recurrent unit is proposed. In this method, 1-dimensional multiscale convolutional neural network is used to enhance the ability to capture features, speed up the convergence speed, and the gating cycle unit is used to grasp the spatial features, reduce the expansion of the number of channels and reduce the data dimension. The KDD CUP 99 data set and the natural gas pipeline data set of the University of Mississippi are used for simulation experiments. The results show that the method has higher intrusion detection performance and better generalization ability than the classical machine learning classifier.
Key words : 1-dimensional Multiscale Convolutional Neural Networks(1d-MSCNN)；Gated Recurrent Unit(GRU)；intrusion detection；deep learning
0 引言
隨著工業控制網絡(ICN)的高速發展，ICN安全已經是全球性重要問題之一，工業入侵檢測作為一種 ICN安全防護技術已成為研究熱點。在全球每年的網絡安全事故中，其中有上百起攻擊都是針對工業控制系統(Industrial Control System，ICS)，雖然所占的比重只是網絡安全事件的一小部分，但是所造成的影響對國家而言都是巨大的，最為嚴重的就是經濟損失[1]。因此如何有效地從入侵數據中選擇特征進行多分類，并提高數據特征提取的準確度，在整個網絡信息安全領域具有重要的研究價值。
機器學習在入侵檢測中應用很多，例如支持向量機(Support Vector Machine，SVM)[2-3]、K均值聚類算法[4]和貝葉斯網絡模型[5]。上述算法在處理特征維度少時擁有較好的檢測效果，但卻無法滿足當今網絡安全領域中大量、高維的數據特征分類精度，因此需要開展深度學習的研究。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000003762
作者信息：
宗學軍，宋治文，何 戡，連 蓮
(沈陽化工大學 信息工程學院，遼寧 沈陽110142)
此內容為AET網站原創，未經授權禁止轉載。