[发明专利]物联网环境下基于混合深度学习的网络攻击检测方法

说明书

本发明公开了一种物联网环境下基于混合深度学习的网络攻击检测方法，随着物联网的高速发展，网络攻击愈发多样化与智能化，面对多样的网络攻击，基于传统机器学习的方法无法满足复杂的网络攻击，单一深度学习模型检测性能也不尽人意。本发明在现有的单一深度学习模型基础上，构建混合深度学习模型，之后对模型进行编译，再利用混合深度学习模型和单一深度学习模型进行对比实验，使用公开的网络入侵检测数据集的训练数据对模型进行训练，再将训练后的模型对测试集进行测试检测，最后对各个模型的检测结果进行评估，对比分析评估数据，得出混合深度学习可以有效提高对网络攻击的检测性能的结论。

技术领域

本发明属于网络攻击检测和深度学习领域，具体涉及物联网环境下基于混合深度学习的网络攻击检测方法。

背景技术

随着互联网的普及与成熟，物联网技术开始蓬勃发展。物联网可采用无线连接，以降低通信成本。世界从互联网的人与人连接阶段发展到接下去物联网的人与物、物与物连接的时代。互联网与物联网的发展也带来了日益复杂化和智能化的网络攻击。因此对于网络攻击检测的智能性、准确性和实时性的研究与提高已成为一种趋势。

传统的浅层机器学习或统计学为主的网络攻击检测方法尽管发展较为成熟，但是需要人为提取数据特征，其面对日益智能化与多样化的网络攻击，存在严重缺陷，如检测率低，误报率高，漏报率高，不具备高准确度的检测能力。

深度学习的出现弥补了传统机器学习人工提取特征的缺陷，通过强大的算法对数据的特征进行自动化提取，训练复杂的深层模型，保存大量的参数，提高了对网络攻击的检测能力。随着深度学习的不断发展，单一的深度学习算法同样存在一定缺陷，由于单一的模型缺乏足够的多样性，因此会让模型过于复杂，从而导致参数过多，模型训练时间长且收敛速度慢，预测的精度也会降低。

发明内容

本发明针对现有技术的不足，提出了一种物联网环境下基于混合深度学习的网络攻击检测方法，减少深度学习神经网络模型的训练以及测试检测时间，进一步提高在物联网环境下对网络攻击的检测能力。本发明的目的在于提供一种基于混合深度学习的网络攻击检测方法，通过混合深度学习模型，提高在物联网环境下对网络攻击检测的性能，降低物联网受网络攻击的风险。

为解决上述技术问题，本发明的技术方法步骤如下：

物联网环境下基于混合深度学习的网络攻击检测方法，其特征在于，包括如下步骤：

步骤1：构建单一的深度学习模型和混合深度学习模型；

构建SIMPLE模型；一层为输出单元为64，激活函数为ReLU的全连接层，第二层为输出单元为1的全连接层；

构建单一的GRU模型，即门控循环神经网络，首先连上5层输出单元为64的GRU层，并在每层后跟上Dropout层；之后再加一层输出单元为64的GRU层和Dropout层，输出层为输出单元为1的全连接层；

构建单一的LSTM模型，即长短期记忆模型；首先连上5层输出单元为64的LSTM层，并在每层后跟上Dropout层；之后再加一层输出单元为64的LSTM层和Dropout层，输出层为输出单元为1的全连接层；

构建混合深度学习模型Multi-Scale CNN+GRU，即多尺度CNN与GRU混合模型；首先对输入张量进行形状变换，分别为(1,76),(2,38),(4,19)，由这三个输入张量分别构建三个CNN模型，输出层全连接层，输出形状分别为(30),(20),(20)；将这三个CNN模型进行连接，再加上GRU层和全连接层，最后输出单元为1；其结构如表1所示；

Multi-Scale CNN+GRU

表1