基于深度度量学习的异常流量检测方法

作     者：张强 何俊江 李汶珊 李涛 ZHANG Qiang;HE Junjiang;LI Wenshan;LI Tao

作者机构：四川大学网络空间安全学院成都610065 成都信息工程大学网络空间安全学院成都610225 

基　　金：国家自然科学基金 国家重点研发计划[2020YFB1805400] 中国博士后科学基金[2020M683345] 中央高校基本科研业务费[2023SCU12127] 四川省青年基金[2023NSFSC1395] 四川大学和中国核动力院联合创新基金[HG2022143] 

出 版 物：《信息网络安全》 (Netinfo Security)

年 卷 期：2024年第24卷第3期

页      码：462-472页

摘      要：网络异常流量识别是目前网络安全的重要任务之一。然而传统流量分类模型是依据流量数据训练得到,由于大部分流量数据分布不均导致分类边界模糊,极大限制了模型的分类性能。为解决上述问题,文章提出一种基于深度度量学习的异常流量检测方法。首先,与传统深度度量学习每个类别单一代理的算法不同,文章设计双代理机制,通过目标代理指引更新代理的优化方向,提升模型的训练效率,增强同类别流量数据的聚集能力和不同类别流量数据的分离能力,实现最小化类内距离和最大化类间距离,使数据的分类边界更清晰;然后,搭建基于1D-CNN和Bi-LSTM的神经网络,分别从空间和时间的角度高效提取流量特征。实验结果表明,NSL-KDD流量数据经过模型处理,其类内距离显著减小并且类间距离显著增大,类内距离相比原始类内距离减小了73.5%,类间距离相比原始类间距离增加了52.7%,且将文章搭建的神经网络比广泛使用的深度残差网络训练时间更短、效果更好。将文章所提模型应用在流量分类任务中,在NSL-KDD和CICIDS2017数据集上,相比传统的流量分类算法,其分类效果更好。

主 题 词：深度度量学习 异常流量检测 流量数据分布 神经网络 

学科分类：0839[0839] 08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1671-1122.2024.03.011

馆 藏 号：203127312...