基于网络流量分类的入侵检测研究
2020-12-23王芳
科学与信息化 2020年32期
关键词:深度学习
王芳

摘 要 近年来入侵检测模型在多分类任务中存在着分类准确性低的问题,并且受到数据集中攻击类型有限等因素的影响,本文借助深度学习方法,设计一种卷积神经网络(简称CNN)和长短时记忆循环神经网络(简称LSTM)结合的用于网络流量分类的入侵检测模型。
关键词 入侵检测;深度学习;流量分类
引言
随着物联网和5G的兴起,一些新的网络攻击层出不穷,全球网络安全态势依旧严峻,网络空间安全防护工作仍然任重而道远。通过对网络流量进行研究和分类,及时发现网络中的异常流量,提高入侵检测的效率成为网络安全研究的重中之重。
本文使用深度学习技术开展网络流量分类研究,解决传统的基于统计和行为的网络流量分类方法的特征设计问题,提高实际应用中网络流量异常检测的性能。
1基于网络流量分类的研究
1.1 基于CNN网络流量分类模型的研究
(1) 数据集
澳大利亚网络安全中心实验室创建的UNSW-15数据集[1]
(2) 模型设计和环境
用CNN对网络流量数据的空间特征进行处理,其网络流量分类模型设计流程:
①对网络流量数据进行处理。②输入训练集数据,通过卷积层、池化层、全连接层的处理,将数据输入到分类器Softmax中,对网络流量进行分类。
本文采用MXnet深度学习框架,实验环境为Windows 7(64bit),数据集经过处理转化为16*16的二维矩阵,卷积核大小为3*3,池化层窗口为2*2,步长为2,激活函数采用Relu函数。
(3)实验分析
根据卷积核的数量可能会影响分类的准确率的问题,进行四组模型对比实验。……
登录APP查看全文
