公开(公告)号：CN112995150B

公开(公告)日：2023-05-02

申请号：CN202110169984.6

申请日：2021-02-08

Applicant: 南京邮电大学

Inventor： 卢法权 ,  陈丹伟

IPC: H04L9/40 ,  G06N3/049 ,  G06F18/25 ,  G06N3/084 ,  G06N3/047 ,  G06N3/0464

Abstract: 本发明公开了一种基于CNN‑LSTM融合的僵尸网络检测方法，获取网络数据集，对数据集进行预处理操作；构建检测模型，检测模型包括卷积神经网络模型CNN、长短时记忆网络模型LSTM、特征融合模块、全连接层，卷积神经网络模型CNN用于空间特征提取，长短时记忆网络模型LSTM用于时序特征提取，将提取得到的空间特征和时序特征在特征融合模块中进行特征融合，得到融合特征，融合特征经过全连接层输出检测结果；对检测模型进行训练，得到训练好的检测模型。本发明简化了人工提取特征等操作，不需要极强的先验知识，对僵尸网络检测具有良好的准确率。

公开(公告)号：CN112995150A

公开(公告)日：2021-06-18

申请号：CN202110169984.6

申请日：2021-02-08

Applicant: 南京邮电大学

Inventor： 卢法权 ,  陈丹伟

IPC: H04L29/06 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公开了一种基于CNN‑LSTM融合的僵尸网络检测方法，获取网络数据集，对数据集进行预处理操作；构建检测模型，检测模型包括卷积神经网络模型CNN、长短时记忆网络模型LSTM、特征融合模块、全连接层，卷积神经网络模型CNN用于空间特征提取，长短时记忆网络模型LSTM用于时序特征提取，将提取得到的空间特征和时序特征在特征融合模块中进行特征融合，得到融合特征，融合特征经过全连接层输出检测结果；对检测模型进行训练，得到训练好的检测模型。本发明简化了人工提取特征等操作，不需要极强的先验知识，对僵尸网络检测具有良好的准确率。