基于深度特征学习的网络流量异常检测方法

• 作者: 张斌 董书琴
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 流量异常检测 深度学习 堆叠降噪自编码器 粒子群优化
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 论文
• 页码范围: 695-703
• 页数: 9页
• 分类号: TP393.08
• 字数: 6516字
• 语种: 中文
• DOI: 10.11999/JEIT190266

摘要

针对网络流量异常检测过程中提取的流量特征准确性低、鲁棒性差导致流量攻击检测率低、误报率高等问题,该文结合堆叠降噪自编码器(SDA)和softmax,提出一种基于深度特征学习的网络流量异常检测方法.首先基于粒子群优化算法设计SDA结构两阶段寻优算法:根据流量检测准确率依次对隐藏层层数及每层节点数进行寻优,确定搜索空间中的最优SDA结构,从而提高SDA提取特征的准确性.然后采用小批量梯度下降算法对优化的SDA进行训练,通过最小化含噪数据重构向量与原始输入向量间的差异,提取具有较强鲁棒性的流量特征.最后基于提取的流量特征对softmax进行训练构建异常检测分类器,从而实现对流量攻击的高性能检测.实验结果表明:该文所提方法可根据实验数据及其分类任务动态调整SDA结构,提取的流量特征具有更高的准确性和鲁棒性,流量攻击检测率高、误报率低.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张斌		49	78	6.0	7.0
2	董书琴		1	0	0.0	0.0