结合二次特征提取和LSTM-Autoencoder的网络流量异常检测方法

• 作者: 刘明峰1 孙旭日1 彭博1 程辉1 赵宇飞2
• 来源期刊: 北京交通大学学报
• 学科: 工学
• 关键词: 信息安全 长短期记忆网络 离散小波变换 自编码 Grubbs准则 数据重构量 异常检测
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 列车控制安全
• 页码范围: 17-26
• 页数: 10页
• 分类号: TP393.0
• 字数: 6710字
• 语种: 中文
• DOI: 10.11860/j.issn.1673-0291.20200005

摘要

为解决大多数网络流量异常检测方法准确度低、误报率高等问题,提出一种基于长短期记忆网络自编码(LSTM-Autoencoder)的网络流量异常检测方法.首先,将真实网络流量从数据包和会话流级别两方面提取数据特征.为了丰富原始特征,采用离散小波变换(DWT)分解原始特征向量得到更高维特征.考虑真实网络环境可能存在异常数据,采用Grubbs准则对数据进行平滑操作,以防止非人为异常数据干扰训练LSTM-Autoencoder模型.使用已训练的LSTM-Autoencoder模型对训练数据进行重构,通过分析重构误差分布确定检测阈值.最后,对真实网络流量进行测试,分析了模型结构以及外部噪声对检测性能的影响,实验结果验证了所提方法的正确性.与其他基于数据重构的检测方法相比,所提方法具有更高的检测准确度和更优的检测性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙旭日1		1	0	0.0	0.0
2	刘明峰1		1	0	0.0	0.0
3	程辉1		1	0	0.0	0.0
4	彭博1		1	0	0.0	0.0
5	赵宇飞2	北京航空航天大学计算机学院	1	0	0.0	0.0