APP下载

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

猜你喜欢

深度学习
从合坐走向合学:浅议新学习模式的构建
面向大数据远程开放实验平台构建研究
基于自动智能分类器的图书馆乱架图书检测
搭建深度学习的三级阶梯
有体验的学习才是有意义的学习
电子商务中基于深度学习的虚假交易识别研究
利用网络技术促进学生深度学习的几大策略
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望
深度学习算法应用于岩石图像处理的可行性研究