發(fā)布時間：2021-02-27 03:45

　　針對網(wǎng)絡(luò)流量異常檢測過程中提取的流量特征準確性低、魯棒性差導致流量攻擊檢測率低、誤報率高等問題,該文結(jié)合堆疊降噪自編碼器（SDA）和softmax,提出一種基于深度特征學習的網(wǎng)絡(luò)流量異常檢測方法。首先基于粒子群優(yōu)化算法設(shè)計SDA結(jié)構(gòu)兩階段尋優(yōu)算法:根據(jù)流量檢測準確率依次對隱藏層層數(shù)及每層節(jié)點數(shù)進行尋優(yōu),確定搜索空間中的最優(yōu)SDA結(jié)構(gòu),從而提高SDA提取特征的準確性。然后采用小批量梯度下降算法對優(yōu)化的SDA進行訓練,通過最小化含噪數(shù)據(jù)重構(gòu)向量與原始輸入向量間的差異,提取具有較強魯棒性的流量特征。最后基于提取的流量特征對softmax進行訓練構(gòu)建異常檢測分類器,從而實現(xiàn)對流量攻擊的高性能檢測。實驗結(jié)果表明:該文所提方法可根據(jù)實驗數(shù)據(jù)及其分類任務動態(tài)調(diào)整SDA結(jié)構(gòu),提取的流量特征具有更高的準確性和魯棒性,流量攻擊檢測率高、誤報率低。 

【文章來源】：電子與信息學報. 2020,42(03)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

基于兩階段尋優(yōu)SDA的流量異常檢測模型

島妥钚≈擔??表示l速度的最大值和最小值，和表示n的最大值和最小值，和表示n速度的最大值和最小值，為0和1之間的隨機小數(shù)。li,pbestni,pbestlgbestngbestfit(li(t),ni(t))li(t),ni(t)算法迭代過程中,,,依據(jù)適應度函數(shù)進行更新。在異常檢測領(lǐng)域，準確率(Acc)是衡量檢測算法性能優(yōu)劣的關(guān)鍵指標，為此設(shè)計適應度函數(shù)如式(9)所示，越小，越優(yōu)。fit(li(t),ni(t))=1Acc(9)隱藏層層數(shù)尋優(yōu)算法如表1所示。(2)隱藏層每層節(jié)點數(shù)尋優(yōu)算法圖2基于PSO的SDA結(jié)構(gòu)兩階段尋優(yōu)算法流程第3期董書琴等：基于深度特征學習的網(wǎng)絡(luò)流量異常檢測方法697

法的適應度值最終收斂于，其對應的隱藏層層數(shù)，隱藏層每層節(jié)點數(shù)。隱藏層每層節(jié)點數(shù)尋優(yōu)算法最終收斂于，其對應的隱藏層結(jié)構(gòu)為，則二分類場景下給定搜索空間中的最優(yōu)SDA結(jié)構(gòu)為。2.17×101lgbest=1ngbest=252.15×101[28,24]由圖4可知，多分類場景下隱藏層層數(shù)尋優(yōu)算法的適應度值最終收斂于，其對應的隱藏層層數(shù)，隱藏層每層節(jié)點數(shù)；隱藏層每層節(jié)點數(shù)尋優(yōu)算法最終收斂于，其對應的隱藏層節(jié)點數(shù)為24，則多分類場景下給定搜索空間中的最優(yōu)SDA結(jié)構(gòu)為。圖3二分類場景下SDA結(jié)構(gòu)尋優(yōu)過程圖4多分類場景下SDA結(jié)構(gòu)尋優(yōu)過程700電子與信息學報第42卷

【參考文獻】：
期刊論文
[1]基于自編碼組合特征提取的分類方法研究[J]. 谷叢叢,王艷,嚴大虎,紀志成.  系統(tǒng)仿真學報. 2018(11)
[2]深度神經(jīng)網(wǎng)絡(luò)訓練中梯度不穩(wěn)定現(xiàn)象研究綜述[J]. 陳建廷,向陽.  軟件學報. 2018(07)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法[J]. 王勇,周慧怡,俸皓,葉苗,柯文龍.  通信學報. 2018(01)
[4]基于自編碼網(wǎng)絡(luò)特征降維的輕量級入侵檢測模型[J]. 高妮,高嶺,賀毅岳,王海.  電子學報. 2017(03)



本文編號：3053636