基于LiCNN與BiLSTM的物聯(lián)網(wǎng)入侵檢測(cè)系統(tǒng)

打開文本圖片集

摘 要：針對(duì)入侵檢測(cè)系統(tǒng)中出現(xiàn)的局部特征提取能力不足問題，提出了一種側(cè)抑制卷積神經(jīng)網(wǎng)絡(luò)模型（LiCNN），即在已有的CNN模型中加入側(cè)抑制模塊增強(qiáng)局部特征提取能力；針對(duì)一般卷積網(wǎng)絡(luò)難以提取高維特征的問題，在LiCNN結(jié)構(gòu)中引入逆殘差概念，進(jìn)一步提高模型高維特征的提取能力；針對(duì)傳統(tǒng)入侵檢測(cè)模型存在的無(wú)法處理長(zhǎng)距離依賴關(guān)系、難以并行化等問題，采用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（BiLSTM）提取時(shí)序特征，通過增強(qiáng)上下文信息捕捉能力來(lái)處理長(zhǎng)距離依賴關(guān)系，提高模型的預(yù)測(cè)精度。（剩余8180字）