基于深度学习神经网络的网络入侵检测方法、装置、系统及存储介质

    公开(公告)号:CN117294476A

    公开(公告)日:2023-12-26

    申请号:CN202311161513.6

    申请日:2023-09-08

    摘要: 本发明提供一种基于深度学习神经网络的网络入侵检测方法、装置、系统及存储介质,该方法包括步骤一、构建CNN网络提取网络流量数据的空间特征;步骤二、构建LSTM网络提取网络流量数据的时间特征;步骤三、将步骤一提取的空间特征和步骤二提取的时间特征进行并联得到融合特征;步骤四、利用Self‑Attention对融合特征分配不同的权重,进行二次特征提取以选择重要的特征信息,基于所述选择的重要的特征信息通过检测模型的输出层进行网络入侵检测。本发明是基于CNN、RNN及self‑attention的一种新型入侵检测方法(CRNN‑SA),防止了信息的丢失,可以有效的提高网络入侵检测的能力。

    基于门控时间卷积网络与图的入侵检测方法

    公开(公告)号:CN117579324B

    公开(公告)日:2024-04-16

    申请号:CN202311511946.X

    申请日:2023-11-14

    发明人: 牛犁青

    IPC分类号: H04L9/40

    摘要: 本发明提供一种基于门控时间卷积网络与图的入侵检测方法,该方法通过利用分层的门控时间卷积网络(GatedTCN)提取时间特征,将门控时间卷积网络(Gated TCN)捕获的时间特征输入到图卷积网络(GCN)中,以提取网络数据中的空间特征,通过使用已建立的GraphSAGE算法以及图注意力网络(GAT)提出一种Graph‑SAGE算法,利用可用的图信息将残差学习集成到图神经网络(GNN)中,加入残差连接作为一种处理高层类不平衡的策略,以保留原始信息,提高少数类的性能。本发明通过对网络流量数据进行检测,检测出数据中的攻击类型,更好的有效的提高网络入侵检测的能力。

    一种基于生成对抗网络的信息物理系统异常检测方法

    公开(公告)号:CN117792750A

    公开(公告)日:2024-03-29

    申请号:CN202311833504.7

    申请日:2023-12-28

    摘要: 本发明提供一种基于生成对抗网络的信息物理系统异常检测方法,包括:步骤一、建立由多个时间序列之间的非线性相关性组成的GAN模型,所述GAN模型包括构建为长短期递归神经网络LSTM‑RNN的生成器G和判别器D;步骤二、通过捕获时间序列的特征训练所述GAN模型;步骤三、将真实样本输入步骤二训练所得GAN模型的生成器G,生成器G根据真实样本生成合成样本,计算生成器G生成的合成样本与实际样本之间的残差,从而检测复杂信息物理系统CPS中的异常情况。本发明用于检测具有网络传感器和执行器的复杂多进程网络物理系统的异常,也就是网络攻击,解决了传统的检测技术无法应对CPS日益动态和复杂的问题。