结合二次特征提取和LSTM-Autoencoder的网络流量异常检测方法
孙旭日11
刘明峰11
程辉11
彭博11
赵宇飞22
1.国网山东省电力公司青岛供电公司,山东 青岛 2660022.北京航空航天大学 计算机学院,北京 100191
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.
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
分类号：TP393.0(计算技术、计算机技术)
资助基金：国家自然科学基金(U1636211)
论文发表日期：2020-04-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 17-26 )
英文信息