SAGB：带门的自注意力与双向GRU网络用于入侵检测

网络流量入侵检测技术在主机和平台安全中发挥着重要作用。目前，机器学习和深度学习方法常用于网络流量入侵检测。然而，相关数据集的不平衡会导致模型算法学习到多数类别的特征，而忽视少数类别的特征，这将严重影响网络入侵检测模型的精度。攻击样本的数量远少于正常样本的数量。在不平衡数据集上的分类性能较差，不能很好地识别少数攻击样本。为了解决这些问题，本文提出了一种重采样机制，对多数类别样本采用随机欠采样，对少数类别样本采用K-Smote过采样，以生成更平衡的数据集，并提高模型对少数类别的检测率。本文提出了基于CICIDS2017数据集的带门自注意力（SAG）与BiGRU网络模型，用于入侵检测，能够充分提取数据样本中的高维信息，提高网络攻击的检测率。基于Transformer的带门自注意力机制（SAG）进行了特征提取，过滤了无关噪声信息，然后通过BiGRU网络提取了长距离依赖的时序特征，并通过SoftMax分类器获得分类结果。与随机森林（RF）和BiGRU等其他算法的实验结果相比，可以发现本文的SAG-BiGRU模型的整体分类精度要高得多，并且在NSL-KDD数据集上也有良好的效果。