基于密集连接卷积神经网络的入侵检测技术研究

卷积神经网络在入侵检测技术领域中已得到广泛应用，一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对上述问题，该文提出将密集连接卷积神经网络(DCCNet)应用到入侵检测技术中，并通过使用混合损失函数达到提升检测准确率的目的。用KDD 99数据集进行实验，将实验结果与常用的LeNet神经网络、VggNet神经网络结构相比。分析显示在检测的准确率上有一定的提高，而且缓解了在训练过程中梯度弥散问题。