基于遺傳的CNN優(yōu)化方法在入侵檢測中的應(yīng)用

譚敏生，彭 敏，丁 琳，吳 冕

(南華大學(xué)計(jì)算機(jī)學(xué)院，衡陽 421000)

1 引言

隨著網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)安全問題備受國家與社會的強(qiáng)烈關(guān)注。入侵檢測作為安全防范的一種重要手段，通過收集和分析計(jì)算機(jī)系統(tǒng)和用戶的事件信息，及時(shí)發(fā)現(xiàn)入侵行為，提醒管理人員采取相應(yīng)措施，有效防范攻擊，減少相應(yīng)損失。目前主流的入侵檢測技術(shù)主要是將智能算法與入侵檢測相結(jié)合[1]，聚類算法和支持向量機(jī)算法研究較多。Ambusaidi等人[2]提出了一種基于非線性相關(guān)系數(shù)的入侵檢測方法，能夠較準(zhǔn)確地提取網(wǎng)絡(luò)流量記錄之間的線性和非線性相關(guān)性，降低誤報(bào)率，有效區(qū)分正常和異常行為。Kumar 等人[3]提出了一種基于 K 均值聚類算法來提高入侵檢測的準(zhǔn)確率。Bhavsar等人[4]將支持向量機(jī)分類算法應(yīng)用于入侵檢測中。Gadal等人[5]提出了一種基于K-均值聚類和序列最小優(yōu)化分類相結(jié)合的混合機(jī)器學(xué)習(xí)入侵檢測技術(shù)。上述方法能在一定程度上取得更好的檢測效果，但特征提取具有一定的復(fù)雜性，不能全面反應(yīng)數(shù)據(jù)的相關(guān)性。

近年來，深度學(xué)習(xí)已經(jīng)成為當(dāng)今研究熱點(diǎn)，深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等多種深度學(xué)習(xí)算法已逐步應(yīng)用于入侵檢測領(lǐng)域。Jin等人[6]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的入侵檢測模型，該模型有4個(gè)隱含層，每一層有100個(gè)隱含單元，使用線性修正單元作為激活函數(shù)。Alom等人[7]利用改進(jìn)的深度信念網(wǎng)絡(luò)進(jìn)行入侵檢測，獲得了較好的準(zhǔn)確率。Raman等人[8]將概率神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測技術(shù)中來提高檢測性能。Nadeem等人[9]構(gòu)建的梯形網(wǎng)絡(luò)將神經(jīng)網(wǎng)絡(luò)與無監(jiān)督學(xué)習(xí)相結(jié)合，取得了較好的精確度。Zou 等人[10]利用遺傳算法具有的全局優(yōu)化能力結(jié)合神經(jīng)網(wǎng)絡(luò)，在入侵檢測領(lǐng)域取得了較好的效果。Kim J等人[11]將深度學(xué)習(xí)中的長短期記憶神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)應(yīng)用于入侵檢測中，驗(yàn)證了LSTM分類器比其它分類器具有一定的有效性。Kolosnjaji等人[12]通過將卷積神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)結(jié)合起來，構(gòu)造了一個(gè)分層次特征提取的體系結(jié)構(gòu)。Vinayakumar等人[13]根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，將網(wǎng)絡(luò)流量建模為時(shí)間序列的入侵檢測系統(tǒng)。Liu等人[14]將卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)造了入侵檢測模型；賈凡等人[15]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測算法，通過深度學(xué)習(xí)，將非線性模型轉(zhuǎn)化成更抽象的形式，強(qiáng)化原始數(shù)據(jù)的分類能力，提高特征提取的準(zhǔn)確度。

然而，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于入侵檢測領(lǐng)域時(shí)，其檢測性能與全連接層、卷積層的初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器以及全連接層神經(jīng)元數(shù)等選取有較大關(guān)系，若選取不好，容易導(dǎo)致網(wǎng)絡(luò)波動，學(xué)習(xí)過程也易陷入局部最優(yōu)。本文利用遺傳算法強(qiáng)大的全局尋優(yōu)能力，通過遺傳算法的選擇、交叉和變異等操作獲得最優(yōu)初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等來優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)；并將優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測，對入侵?jǐn)?shù)據(jù)進(jìn)行學(xué)習(xí)和識別，與未優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)和典型機(jī)器學(xué)習(xí)算法相比，準(zhǔn)確率有明顯提高，誤報(bào)率有明顯降低。

2 卷積神經(jīng)網(wǎng)絡(luò)框架構(gòu)建

利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)能夠充分對數(shù)據(jù)特征進(jìn)行非線性映射，挖掘各個(gè)特征之間的聯(lián)系，提高特征提取的準(zhǔn)確度，處理多維數(shù)據(jù)。同一層部分神經(jīng)元之間的權(quán)重和偏移相同，當(dāng)輸入層的特征維度較多時(shí)，只需將卷積層的神經(jīng)元與前一層的部分神經(jīng)元進(jìn)行連接。本文根據(jù)LeNet5的基本模塊構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)框架，采用如圖1所示的結(jié)構(gòu)圖進(jìn)行構(gòu)建，固定1個(gè)輸入層、1個(gè)輸出層、1個(gè)全連接層，卷積層和池化層相互交替且具有相同的層數(shù)。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

卷積層為特征提取層，可以使原信號特征增強(qiáng)，并且降低噪音。卷積運(yùn)算是卷積核與原始特征或上一層的輸出特征進(jìn)行卷積，然后再加上偏置值，得到當(dāng)前的特征，其運(yùn)算方法如(1)所示

(1)

(2)

卷積層輸出特征向量的大小則由式(3)確定，其中o為輸出特征的大小，i為輸入的特征大小，k為卷積和的大小，s為移動的步長，p為填充數(shù)

(3)

下采樣層(池化層)一般在卷積層下面，主要降低卷積層輸出的特征向量，減少參數(shù)數(shù)量，進(jìn)一步提取主要特征。下采樣輸出特征的大小由式(4)確定，其中ps為采樣的大小

(4)

3 基于遺傳算法的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法

遺傳算法(Genetic Algorithm，GA)是一種模擬生物進(jìn)化的算法，其具有強(qiáng)大的全局尋優(yōu)能力和良好的收斂速度改善能力。通過將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的卷積層、全連接層的初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等作為遺傳算法的種群，然后經(jīng)過選擇、交叉和變異等操作后獲得最優(yōu)后代，構(gòu)建了一種基于遺傳算法的卷積神經(jīng)網(wǎng)優(yōu)化算法(Genetic Algorithm Optimization Convolutional Neural Network，GAOCNN)，該算法利用遺傳算法強(qiáng)大的全局隨機(jī)搜索能力及卷積神經(jīng)網(wǎng)絡(luò)挖掘特征聯(lián)系能力，克服卷積神經(jīng)網(wǎng)絡(luò)因初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等容易導(dǎo)致的網(wǎng)絡(luò)波動、陷入局部最優(yōu)問題。

3.1 染色體編碼

將卷積神經(jīng)網(wǎng)絡(luò)的卷積層與全連接層的初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及優(yōu)化器等作為遺傳算法的種群，通過python語言字典中一個(gè)鍵對應(yīng)多個(gè)值的形式來保存種群內(nèi)的所有個(gè)體。

3.2 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是遺傳算法評價(jià)各個(gè)體好壞的依據(jù)，一般將適應(yīng)度高的個(gè)體進(jìn)行下一代遺傳操作。本文將卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測后使用二分類交叉熵作為損失函數(shù)，由損失函數(shù)得到的準(zhǔn)確率來定義適應(yīng)度函數(shù)，方法如式(5)所示；卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練中使用EarlyStopping()函數(shù)，并設(shè)定patience的值為5，如果epoch為5的范圍內(nèi)精確度不再提升則停止訓(xùn)練。

(5)

3.3 選擇、交叉和變異算子

選擇算子是將當(dāng)前種群中選擇好的個(gè)體作為父代將基因傳給下一代，本文首先利用利用式(6)計(jì)算平均適應(yīng)度，將其作為選擇適應(yīng)度大于平均適應(yīng)度時(shí)的閾值(sum為種群適應(yīng)度的總和，popsize為種群的大小)。使用sorted函數(shù)對適應(yīng)度進(jìn)行排序，對群體中所有個(gè)體獲得的適應(yīng)度大小進(jìn)行排序，然后根據(jù)保留率選取適應(yīng)性強(qiáng)的個(gè)體作為父代，最后從剩余適應(yīng)性不強(qiáng)的幸存?zhèn)€體中按選取率進(jìn)行選取。

變異算子是從種群中根據(jù)已知的變異率，隨機(jī)選取某個(gè)個(gè)體所對應(yīng)的鍵，再隨機(jī)選取該鍵所包含多個(gè)值中的一個(gè)。交叉算子是遺傳算法中產(chǎn)生新個(gè)體的來源，本文首先利用式(7)確定需要繁殖孩子的大小(其中pl為父代的大小)，然后根據(jù)需要孩子的量進(jìn)行繁殖；在繁殖的過程中，首先隨機(jī)產(chǎn)生兩個(gè)不同的父代和母代，然后隨機(jī)產(chǎn)生交叉點(diǎn)，再將父代和母代進(jìn)行交換，最后通過變異算子對孩子進(jìn)行變異。

(6)

dl=popsize-pl

(7)

3.4 GAOCNN算法主要步驟如下

1)建立卷積神經(jīng)網(wǎng)絡(luò)基本框架，確定種群大小和最大遺傳代數(shù)等相關(guān)參數(shù)；

2)初始化種群，同時(shí)將損失函數(shù)值和準(zhǔn)確率函數(shù)值設(shè)置為0；

3)將初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器以及全連接層神經(jīng)元數(shù)等編碼成染色體；

4)由3)中的染色體，隨機(jī)生成一個(gè)完整的卷積神經(jīng)網(wǎng)絡(luò)，并進(jìn)行相關(guān)訓(xùn)練；

5)計(jì)算染色體的適應(yīng)度值，如果符合優(yōu)化標(biāo)準(zhǔn)，則進(jìn)入9)；

6)對染色體進(jìn)行選擇操作；

7)對染色體進(jìn)行交叉操作；

8)對染色體進(jìn)行變異操作；

9)查看新個(gè)體是否滿足最優(yōu)標(biāo)準(zhǔn)或是否達(dá)到最大進(jìn)化代數(shù)，若滿足繼續(xù)下一步；否則返回步驟5)；

10)使用遺傳算法得到的最優(yōu)初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等，更新卷積神經(jīng)網(wǎng)絡(luò)作為新的網(wǎng)絡(luò)訓(xùn)練模型。

4 基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測算法

根據(jù)上節(jié)提出的基于遺傳算的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，提出一種基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測算法(Genetic Algorithm Optimization Convolutional Neural Network Intrusion Detection Algorithm，GAOCNN-IDA)。利用遺傳算法的全局尋優(yōu)能力和卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力，對入侵?jǐn)?shù)據(jù)進(jìn)行檢測，將通過GAOCNN算法獲得的初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等，更新到基于卷積神經(jīng)的入侵檢測算法中，并重新進(jìn)行訓(xùn)練測試，通過對攻擊數(shù)據(jù)和正常數(shù)據(jù)進(jìn)行學(xué)習(xí)來判斷入侵?jǐn)?shù)據(jù)的屬性。GAOCNN-IDA主要步驟如下：

1)將KDDCUP99數(shù)據(jù)集進(jìn)行特征提取，篩選出所需要的數(shù)據(jù)；

2)對特征提取之后的數(shù)據(jù)集進(jìn)行數(shù)值化處理，保證所數(shù)據(jù)為數(shù)值類型；

3)對數(shù)值化數(shù)據(jù)集進(jìn)行歸一化處理；

4)根據(jù)1)～3)確定卷積神經(jīng)網(wǎng)絡(luò)的基本框架；

5)調(diào)用GAOCNN算法優(yōu)化所使用的卷積網(wǎng)絡(luò)的初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等；

6)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

7)采用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對入侵?jǐn)?shù)據(jù)進(jìn)行檢測。

5 實(shí)驗(yàn)

5.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)采用KDDCUP99網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)集，該數(shù)據(jù)集約有500萬條連接數(shù)據(jù)記錄，每一條數(shù)據(jù)記錄包含41個(gè)特征屬性和1個(gè)類標(biāo)簽屬性，數(shù)據(jù)集包含四種攻擊類型和一種正常數(shù)據(jù)標(biāo)簽。如下是部分的數(shù)據(jù)記錄：

0，tcp，http，SF，181，5450，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，5，5，0.00，0.00，0.00，0.00，1.00，0.00，0.00，6，6，1.00，0.00，0.17，0.00，0.00，0.00，0.00，0.00，normal．

0，tcp，private，SH，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，2，1，1.00，1.00，0.00，0.00，0.50，1.00，0.00，14，1，0.07，0.71，0.50，0.00，0.50，1.00，0.00，0.00，nmap．

0，tcp，http，SF，54540，8314，0，0，0，2，0，1，1，0，0，0，0，0，0，0，0，0，1，3，0.00，0.00，0.00，0.67，1.00，0.00，1.00，2，2，1.00，0.00，0.50，0.00，0.00，0.00，0.00，0.00，back

5.1.1 特征的提取

KDDCUP99數(shù)據(jù)集的每一個(gè)連接都由41維特征組成，樣本數(shù)據(jù)集數(shù)據(jù)非常多，所以要從中選擇合理的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。本文實(shí)驗(yàn)根據(jù)文獻(xiàn)[16]所提出的觀點(diǎn)，將對決策判定沒有任何作用的屬性刪除，即刪除數(shù)據(jù)集中l(wèi)and、urgent、su_attempted、num_outbound_cmds和is_hot_login五項(xiàng)屬性。

5.1.2 數(shù)據(jù)數(shù)值化處理

由于該數(shù)據(jù)集每一條正?；蛘弋惓?shù)據(jù)記錄都含41個(gè)特征屬性，大部分特征數(shù)據(jù)是數(shù)值型的，但協(xié)議名、網(wǎng)絡(luò)服務(wù)類型和flag標(biāo)志位為非數(shù)值型，為便于卷積神經(jīng)網(wǎng)絡(luò)計(jì)算和處理，將這些非數(shù)值數(shù)據(jù)進(jìn)行數(shù)值化編碼。例如，對于protocol_typr特征，其包含3個(gè)符號：tcp，udp，icmp，將其編碼為0，1，2。同理對網(wǎng)絡(luò)服務(wù)類型和flag標(biāo)志位進(jìn)行相應(yīng)的數(shù)值化處理。

5.1.3 數(shù)字特征歸一化

為了讓卷積神經(jīng)網(wǎng)絡(luò)更容易訓(xùn)練，運(yùn)行時(shí)的收斂速度更快，實(shí)驗(yàn)選擇對所有的數(shù)據(jù)按照式(8)進(jìn)行歸一化處理。

(8)

其中Mmin為某一列中最小的值，Mmax為某一列中最大的值，y為需要?dú)w一化的值。將“kddcup.data_10_percent_corrected”數(shù)據(jù)用做訓(xùn)練數(shù)據(jù)，將“corrected”數(shù)據(jù)用做測試數(shù)據(jù)，詳見表1，將訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集都經(jīng)過上述數(shù)據(jù)預(yù)處理。

表1 KDD數(shù)據(jù)類型

5.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在臺式計(jì)算機(jī)上完成，配置為：Inter3.50GHz處理器，128GB內(nèi)存，64位Windows10操作系統(tǒng)；編程工具為基于tensorflow的keras。遺傳算法相關(guān)參數(shù)設(shè)置如表2所示，卷積神經(jīng)網(wǎng)絡(luò)部分參數(shù)優(yōu)化范圍如表3所示。

表2 遺傳算法相關(guān)參數(shù)

表3 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的部分范圍

5.3 實(shí)驗(yàn)及結(jié)果分析

5.3.1 入侵檢測核心指標(biāo)

入侵檢測的核心指標(biāo)主要是準(zhǔn)確率(accuracy，Ac)、檢測率(detection rate，Dr)和誤報(bào)率(flase alarm，F(xiàn)a)，其計(jì)算方法如下：

(9)

其中，Tp為正確分類攻擊數(shù)據(jù)的數(shù)目，Tn為正確分類正常數(shù)據(jù)的數(shù)目，F(xiàn)p為錯(cuò)誤分類正常數(shù)據(jù)的數(shù)目，F(xiàn)n為錯(cuò)誤分離錯(cuò)誤數(shù)據(jù)的數(shù)目。

5.3.2 GAOCNN-IDA與CNN(未優(yōu)化的普通卷積神經(jīng)網(wǎng)絡(luò))比較

為證明本文所提算法的有效性，利用遺傳算法優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)與具有相同卷積層的未優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行攻擊檢測比較，其中卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表4所示，訓(xùn)練次數(shù)epoch都為30，batch_size=1000，所用數(shù)據(jù)集都經(jīng)過前述預(yù)處理過程，得到檢測結(jié)果如表5所示。CNN1算法的準(zhǔn)確度為90.53%，檢測率為81.36%，誤報(bào)率為2.52%；而GAOCNN1-IDA算法的準(zhǔn)確率提高到92.26%，檢測率提高到83.13%，誤報(bào)率則降為2.12%；CNN2算法的準(zhǔn)確度為91.07%，檢測率為83.08%，誤報(bào)率為2.03%；而GAOCNN2-IDA算法的準(zhǔn)確率提高到94.67%，檢測率提高到88.43%，誤報(bào)率則降為1.31%；CNN3算法的準(zhǔn)確度為91.54%，檢測率為83.89%，誤報(bào)率為1.71%；而GAOCNN3-IDA算法的準(zhǔn)確率提高到94.86%，檢測率提高到89.67%，誤報(bào)率則降為1.28%；實(shí)驗(yàn)結(jié)果表明，GAOCNN-IDA算法的準(zhǔn)確率和檢測率有明顯提高，誤報(bào)率有一定程度降低。

表4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

表5 GAOCNN-IDA與CNN性能比較

5.3.3 GAOCNN-IDA與其它機(jī)器學(xué)習(xí)算法比較

將本文GAOCNN2-IDA算法與典型機(jī)器學(xué)習(xí)算法應(yīng)用于入侵檢測進(jìn)行對比，所用數(shù)據(jù)集同樣都經(jīng)過上述預(yù)處理過程，檢測結(jié)果如表6所示。其中，基于支持向量機(jī)(Support Vector Machine， SVM)的入侵檢測算法準(zhǔn)確率為90.13%，檢測率為82.67%，誤報(bào)率為6.28%；基于BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的入侵檢測算法準(zhǔn)確率為76.81%，檢測率為70.14%，誤報(bào)率為8.23%；基于決策樹C4.5的入侵檢測算法準(zhǔn)確率為86.18%，檢測率為80.29%，誤報(bào)率為6.43%；而 GAOCNN2-IDA算法準(zhǔn)確率為94.67%，檢測率為88.43%，誤報(bào)率為1.31%。GAOCNN2-IDA算法的準(zhǔn)確率和檢測率明顯高于其它典型機(jī)器學(xué)習(xí)算法，誤報(bào)率明顯低于其它典型機(jī)器學(xué)習(xí)算法。因此，本文提出的GAOCNN2-IDA算法明顯優(yōu)于其它幾種典型機(jī)器學(xué)習(xí)算法。

表6 GAOCNN2-IDA與其它典型機(jī)器學(xué)習(xí)算法性能比較

6 總結(jié)

卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于入侵檢測領(lǐng)域，其檢測性能與卷積層、全連接層的初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等密切相關(guān)。本文利用遺傳算法強(qiáng)大的全局尋優(yōu)能力，通過遺傳算法的選擇、交叉和變異等操作獲得最優(yōu)初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等來優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)；將優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測，對入侵?jǐn)?shù)據(jù)進(jìn)行學(xué)習(xí)和識別。與BP神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)等算法相比，本文的算法對入侵?jǐn)?shù)據(jù)檢測的準(zhǔn)確率、檢測率有明顯提高，誤報(bào)率有明顯降低

利用遺傳算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)雖有時(shí)間消耗，但優(yōu)化過程可獨(dú)立于檢測過程。更為重要的是一旦獲取到最優(yōu)初始權(quán)重、閾值、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、優(yōu)化器及全連接層神經(jīng)元數(shù)等，可縮短卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和檢測時(shí)間。