基于深度学习的网络流量异常检测方法研究

发布时间：2022-10-05 20:09

　　移动互联网的普及伴随着大量网络安全问题的出现,许多新型的网络攻击方式层出不穷,危机事件频发。我国互联网安全态势仍然严峻。如何应对网络攻击,保障网络安全是我们亟待研究的问题之一。面对日新月异的攻击手段,传统网络流量异常检测方法已经不适用于当前的网络环境。传统网络流量异常检测方法过于依赖对特征的人工选择,缺乏自适应性,面对新类型的异常检测准确率低;在面对海量高维流量数据时,难以有效提取其中的关键特征,满足系统实时性要求;另一方面,网络流量数据多存在类间分布不平衡的问题,使得模型检测效果具有较大的偏向性,对少数类异常检测效果较差。近些年来深度学习以其在处理复杂、大规模数据和提取流量数据内在特征方面的优异性能,已成为网络流量异常检测的一种有效方案。针对现有网络流量异常检测模型难以处理海量高维不平衡数据、误报率和漏报率高、检测实时性不强等问题。本文提出了一系列基于深度学习的网络流量异常检测方法,主要贡献包括:（1）本文提出了一种基于深度学习理论的堆叠稀疏自编码器的流量数据特征提取方法。使用堆叠稀疏自动编码器实现网络流量高维特征到低维特征的非线性映射,适用于海量数据环境下的高维特征分类任务。在UN... 

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文结构设计
2 相关理论基础
    2.1 网络流量异常检测概述
    2.2 流量数据维数约简常见技术
        2.2.1 网络流量特征提取常见方法
        2.2.2 网络流量特征选择常见方法
    2.3 深度学习异常检测常用算法
        2.3.1 自动编码器(Autoencoder)
        2.3.2 循环神经网络(RNN)
    2.4 不平衡分布数据处理常用算法
        2.4.1 处理不平衡数据的难点分析
        2.4.2 常见的采样算法
    2.5 本章小结
3 基于堆叠稀疏自编码器的网络流量数据特征提取方法
    3.1 UNSW-NB15数据集分析
    3.2 方案原理介绍
        3.2.1 自编码器与堆叠自编码器
        3.2.2 稀疏自编码器
        3.2.3 堆叠稀疏自编码器
    3.3 方案流程介绍
        3.3.1 模型架构
        3.3.2 数据预处理
        3.3.3 评价指标
        3.3.4 实验环境及模型参数
    3.4 实验结果分析
        3.4.1 不同网络结构对SSAE性能的影响
        3.4.2 不同稀疏系数对SSAE性能的影响
        3.4.3 SSAE提取的低维特征对分类器的影响
        3.4.4 SSAE与其他特征提取方法的对比
    3.5 本章小结
4 基于多层注意力机制的网络流量异常检测方法
    4.1 数据过采样方法简介
        4.1.1 合成少数类过采样方法(SMOTE)
    4.2 方案原理介绍
        4.2.1 注意力机制基本原理
        4.2.2 多层注意力机制
    4.3 方案流程介绍
        4.3.1 模型框架
        4.3.2 数据预处理
        4.3.3 评价指标
        4.3.4 实验环境及模型参数
    4.4 实验结果与分析
        4.4.1 数据过采样对模型性能的影响
        4.4.2 多层注意力机制对模型性能的影响
        4.4.3 与其他模型效果的对比
        4.4.4 流量注意力可视化分析
    4.5 本章小结
5 总结与展望
    5.1 论文总结
    5.2 未来工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集


【参考文献】：
期刊论文
[1]自然语言处理中的注意力机制研究综述[J]. 石磊,王毅,成颖,魏瑞斌.  数据分析与知识发现. 2020(05)
[2]基于自相似的异常流量自适应检测方法[J]. 夏正敏,陆松年,李建华,马进.  计算机工程. 2010(05)

硕士论文
[1]SVM集成与增量算法在入侵检测中的应用研究[D]. 王洪兵.武汉理工大学 2018



本文编号：3686427