基于Adam优化GRU神经网络的SCADA系统入侵检测方法

针对基于传统机器学习算法SVM、C4.5、NN等的入侵检测方法不能有效处理SCADA系统中大量、高纬度、时序性强网络流量数据的问题,提出基于Adam优化GRU神经网络的入侵检测方法。利用GRU神经网络的深层结构能够对数据特征进行充分学习,通过更新门和重置门保存数据在时间维度上的信息,使用Adam算法优化神经网络的梯度训练过程,在工控安全标准数据集上与基于SVM、C4.5、NN、RNN和LSTM等机器学习算法的入侵检测方法进行对比实验。结果表明,提出的方法相对于SVM、C4.5、NN和RNN具有更高的分类准确率,相对于LSTM准确率基本相同但大幅度减少训练时间。