基于ResNet和双向LSTM融合的物联网入侵检测分类模型构建与优化研究.docx

?

?

基于ResNet和双向LSTM融合的物联网入侵检测分类模型构建与优化研究

?

?

陈红松陈京九

摘??要：为提高物联网入侵检测模型的综合性能，将残差神经网络（ResidualNetworks，ResNet）与双向长短时记忆（Long-ShortTermMemory，LSTM）网络融合，构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题，在对原始数据进行清洗、转换等预处理基础上，提出将多条流量样本转换为灰度图，并利用基于ResNet和双向LSTM融合的深度学习方法构建物联网入侵检测分类模型.对分类模型的网络结构、可复用性进行综合优化实验，得到最终优化模型，分类准确率达到96.77%，综合优化后的模型构建时间为39.85s.与其他机器学习算法结果相比，该优化方法在分类准确率和效率两个方面取得了很好的效果，综合性能优于传统的入侵检测分类模型.

关键词：入侵检测;残差网络;双向LSTM网络;图像分类;物联网

：TP183???????????文献标志码：A?????：1674—2974（2020）08—0001—08

Abstract：InordertoimprovetheperformanceoftheInternetofThings（IOT）networkintrusiondetectionmodel，ResidualNetworks（ResNet）andbidirectionalLong-ShortTermMemory（LSTM）networkswerecombined，andanIOTintrusiondetectionclassificationmodelwasconstructed.Fortherapidandbatchprocessingproblemoflarge-scaleIOTtraffic，multipletrafficsampleswereconvertedintograyscaleimages.Then，thegrayscaleimageswereusedtoconstructIOTintrusiondetectionandclassificationmodelwhichcombinedwithResNetandbidirectionalLSTMnetwork.Thenetworkstructureandre-usabilityoftheclassificationmodelwereoptimizedexperimentally，sotheoptimizationmodelwasobtainedfinally.Theclassificationaccuracyoftheoptimizationmodelis96.77%，andtherunningtimeafterthemodelreuseoptimizationis39.85s.Comparedwithothermachinelearningalgorithms，theproposedapproachachievesgoodresultsinbothclassificationaccuracyandefficiency.Theperformanceoftheproposedmodelisbetterthanthatoftraditionalintrusiondetectionmodel.

Keywords：intrusiondetection;ResidualNetworks（ResNet）;bidirectionalLong-ShortTermMemory（LSTM）networks;imageclassification;IOT（InternetofThings）

随着网络的不断发展，人们对互联网的依赖也与日俱增.互联网为人们的生产生活提供方便的同時，也滋生了越来越多的安全问题.尤其是在当前物与物相连的物联网时代，如何快速识别物联网中的入侵，成为网络安全领域亟待解决的问题之一.入侵检测系统（IntrusionDetectionSystem，IDS）可对流经网络中的流量进行判别，以检测是否有入侵情况的发生.入侵检测的实质是一个分类问题，即判定当前流量记录正常与否，或判定流量所属攻击类别.

Sharafaldin等[1]研发的CICIDS2017入侵检测数据集是一个公开数据集