基于深度学习的网络入侵检测研究综述

肖建平,龙春,赵静,魏金侠,胡安磊,杜冠瑶

A Survey on Network Intrusion Detection Based on Deep Learning

XIAO Jianping,LONG Chun,ZHAO Jing,WEI Jinxia,HU Anlei,DU Guanyao

表1 基于深度学习的入侵检测

Table 2 Intrusion detection based on deep learning

文献 深度学习 方法 数据预处理方法 特征选择方法 数据集 任务类别 性能评价 [31] RNN 特征数值化和数值归一化 RNN NSL-KDD 多分类 整体ACC:99.16%,整体FAR:0.34% [34] BLSTMRNN 手动提取攻击类型 \ UNSW-NB15 二分类 ACC: 95.71%、Recall : 96%、f1-score: 98% [36] NDAE 特征数值化和数值归一化 NDAE KDD99 多分类 整体ACC: 97.85%、Recall : 97.85%、f1-score: 98.15% [41] DRBM One-hot编码 \ KDD99 二分类 ACC:95% [45] DBN、GA Min-Max正则化 GA NSL-KDD 多分类 ACC: 99.37%(Probe) 99.45%(DoS)、98.68%(U2R)、97.78%(R2L) Recall: 99.4%(Probe)、99.7%(DoS)、98.2%(U2R)、93.4%(R2L) [46] CNN、AE One-hot编码Min-Max 正则化 PCA、AE、CNN KDD 99 多分类 ACC: 94%、DR: 93%、FAR: 0.5% [48] CNN One-hot编码Min-Max正则化 \ NSL-KDD 多分类 ACC: KDDTest+79.48% KDDTest-21 60.71% [52] GAN \ \ ADFA-LD 二分类 F-meaure: 41.64%、AUC: 71.30%