《表1 入侵检测领域常用的深度学习算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《用于网络入侵检测的多尺度卷积CNN模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于深度学习的入侵检测的特征提取和分类算法很多，其中用的比较多的是LSTM、DBN、AE。文献[14]先采用AE进行降维，然后进行分类。Staudemeyer等人[15]首次使用LSTM进行网络入侵检测，输入特征是KDD数据集原有的41个特征，输出向量长度为5，包括4种攻击和正常请求。Kim等人使用LSTM在KDD99数据集上进行网络入侵检测并进行参数选取，取得了较高的检测率，然而，LSTM的误报率也偏高，达到了10.04%。作者认为LSTM的初始权重值选取不当可能是导致误报率较高的主要因素之一。Putchala[16]提出将GRU应用于物联网领域的入侵检测，然而仅在KDD99数据集上进行实验，得到的准确率高于99%。Gao等人首次将DBN作为分类模型应用于入侵检测，验证了DBN可以应用于入侵检测的分类。表1展示了深度学习在入侵检测领域中常用的算法。