摘要: 随着5G网络应用场景的多样化，网络的优化和安全成为不可忽视的问题。为此，提出了一种结合卷积神经网络与门控循环单元的混合模型，用于露天矿5G网络环境下的性能测试与优化。该模型利用卷积神经网络提取网络流量数据的局部特征，通过门控循环单元对时序特征进行处理，增强模型对网络攻击的检测能力。性能测试结果显示：CNN-GRU模型在训练集上快速收敛，准确率接近1.0;在测试集上的准确率稳定在0.9,展现出良好的泛化能力。仿真实验结果表明，CNN-GRU模型在2个数据集上的检测准确率均达90%以上，误报率分别为4.1%和4.5%,明显优于其他2种对比模型。