郝怡然,盛益强,王劲林

(1.中国科学院声学研究所国家网络新媒体工程技术研究中心,北京 100190;2.中国科学院大学电子电气与通信工程学院,北京 100049)

0 引 言

网络流量中经常会出现偏离正常范围的异常流量，主要是由DDOS攻击、渗透攻击等恶意的网络行为引起的，这些异常行为通常会导致网络质量下降，甚至导致网络直接瘫痪[1]。因此引入网络安全态势的预测来判断网络中的异常，进而在网络攻击发生或者造成严重后果之前进行预警。网络安全态势的预测是指根据态势的历史信息和当前状态对网络未来的发展趋势进行预测。现有的主要安全态势预测方法包括神经网络、机器学习(如支撑向量机)等。基于机器学习的异常检测被认为是一种网络安全态势预测的方法[2-3]，现有的异常检测算法主要是对网络中的历史数据进行分析，进而预测未来的网络中是否具有攻击行为。现有的异常检测方法主要分为基于规则的异常检测[4]、基于统计的异常检测[5]和基于机器学习的异常检测[5]。基于规则的异常检测通常需要通过人工经验构建规则库，该方法能够准确地找出符合规则的异常，但无法检测未知的异常。基于统计的异常检测通常需要假设数据服从某种分布，之后利用数据进行参数估计，该方法鲁棒性较强，但过于依赖假设的分布。基于机器学习的异常检测能够检测未知的异常[5]，并且不需要假设数据的分布。但基于机器学习的异常检测算法需要找到准确刻画网络数据包的特征。……