面向工业入侵检测的数据增强和检测模型的研究OA北大核心CSTPCD

由于采集到的工业互联网流量数据存在正常流量和攻击流量的样本数目不平衡、样本特征复杂的问题,提出一种使用梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)并结合卷积神经网络(CNN)与门控循环单元(GRU)的深度学习入侵检测方法。使用WGAN-GP数据增强并使用CNN与GRU混合模型进行深层特征提取解决上述问题。使用加拿大网络安全研究所公布的CICIDS2017数据集对模型进行实验,结果表明,对比不同机器学习算法,采用该方法的入侵检测结果准确率更高。利用密西西比州立大学天然气管道数据集对模型进行验证,结果证明了该模型在工业网络环境下的可行性和有效性。