基于深度学习的网络流时空特征自动提取方法

• 作者: 姜青山 李成明 黄璇丽
• 来源期刊: 集成技术
• 学科: 工学
• 关键词: 网络流量 网络入侵检测 卷积神经网络 循环神经网络 时空特征提取
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 电子信息
• 页码范围: 60-69
• 页数: 10页
• 分类号: TP399
• 字数: 5751字
• 语种: 中文
• DOI: 10.12146/j.issn.2095-3135.20191231002

摘要

流量异常检测是网络入侵检测的主要途径之一,也是网络安全领域的一个热门研究方向.通过对网络流量进行实时监控,可及时有效地对网络异常进行预警.目前,网络流量异常检测方法主要分为基于规则和基于特征工程的方法,但现有方法需针对网络流量特征的变化需重新人工收集规则或构造特征,工作量大且繁杂.为解决上述问题,该文提出一种基于卷积神经网络和循环神经网络的深度学习方法来自动提取网络流量的时空特征,可同时提取不同数据包之间的时序特征和同一数据包内字节流的空间特征,并减少了大量的人工工作.在MAWILab网络轨迹数据集上进行的验证分析结果表明,该文所提出的网络流时空特征提取方法优于已有的深度表示学习方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姜青山	中国科学院深圳先进技术研究院	8	51	4.0	7.0
2	李成明	中国科学院深圳先进技术研究院	5	43	3.0	5.0
3	黄璇丽	中国科学院深圳先进技术研究院	1	0	0.0	0.0