基于Transformer的入侵检测方法研究

摘要

随着计算机技术的不断发展，网络中的数据呈现出复杂、庞大、冗余且多维的特性。为提高基于深度学习的入侵检测系统的检测性能，提出基于Transformer的入侵检测方法。首先，对数据进行预处理使之符合神经网络的输入要求，并利用SMOTE-GMM算法解决数据不平衡问题；其次，利用Transformer编码器对输入特征进行提取，通过Transformer解码器建立编码器输出和解码器输入的注意力联系；最后，通过Softmax完成分类。为评估模型检测性能，在NSL-KDD数据集上进行实验验证，实验结果表明，基于Transformer的入侵检测方法与DNN、AIDS、FEEM等方法相比性能提升显著，分类准确率达88.2%、精确率达89.7%。

0 引言

随着互联网的快速发展，网络安全问题日益凸显，网络数据遭受各种攻击。如何保护信息完整性，降低网络攻击对国家、企业和个人造成的损失，成为当下亟待解决的问题。