.png){kind=icon}
返回
Intelligent Network Behavior Anomaly Detection Using LSTM-Based Deep Learning Models
.png){kind=icon}
PRE
AI
DOI：10.1002/itl2.70279.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络安全威胁在当今的数字环境中日益普遍。当涉及防止对公司造成损害时，入侵检测系统（IDS）的重要性显而易见。应对这些威胁已采用多种方法。机器学习模型，特别是双向长短期记忆（BiLSTM）模型，被用于测试基于UNSW-NB15数据的可靠入侵检测系统的有效性。实验表明，IDS模型的准确率达到96.7%。采用所提出的方法，对准确率、精确度和其他指标进行评估，以证明入侵能够被准确检测。本研究的结果为未来旨在提高网络整体保护和敏感数据安全的研究与进步奠定了坚实基础。
Keyword:
bi-LSTM
deep learning
IDS
ML
network localization
reliability
期刊
I
IF:
0.5
论文数:
182
被引数:
423
机构
引用论文
分享收藏Robust detection for network intrusion of industrial IoT based on multi-CNN fusion.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏IoT Healthcare Analytics: The Importance of Anomaly Detection2016 IEEE 30th International Conference on Advanced Information Networking and Applications (AINA)
2016 IEEE 30th International Conference on Advanced Information Networking and Applications (AINA)IF0
PREAI
分享收藏BAT: Deep Learning Methods on Network Intrusion Detection Using NSL-KDD DatasetBAT: 基于nsl-kdd数据集的网络入侵检测深度学习方法IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A feature selection algorithm for intrusion detection system based on Pigeon Inspired Optimizer
PREAI
分享收藏Investigating Radio Frequency Vulnerabilities in the Internet of Things (IoT)研究物联网（IoT）中的射频（Radio Frequency）漏洞IoT
OAAI
IoTIF0
OAAI分享收藏
查看更多内容