郭小静 李隘优

(闽西职业技术学院， 福建 龙岩 364021)

在信息技术、通信技术和计算机科学技术的推动下，互联网已经覆盖了社会生活的方方面面，对经济、教育、科技、医疗、军事等诸多领域都产生了极其深远的影响。随着网络开放程度的提高，局域网所面临的网络攻击风险也在同步提升[1]，局域网范围内出现异常流量，是网络异常或遭受攻击的重要信号之一[2]。与正常流量相比，局域网异常流量在流量形式上发生了改变，通过对流量异常变化的检测，可以识别出网络攻击是否存在，及具体的攻击程度和攻击类型[3]。恶意的网络攻击，如DDoS攻击[4]、规模较大的端口攻击等，会导致局域网系统漏洞的出现[5]，或出现局部网络的拥塞现象，进而引发局域网流量的异常。

现有局域网异常流量检测方法主要包括基于统计数据的检测方法[6]、基于聚类分析的检测方法[7]。其中统计数据检测以经验数据和统计数据模型的建立为基础，检测局域网的流量是否出现了异常，此方法容易实现且已成熟稳定，但检测的精度较低；而聚类检测不依赖于任何的经验数据，通过判断流量数据点与聚类中心点的距离[8]，即可识别出进入局域网的流量是否异常，与统计数据模型相比聚类算法的检测精度有所改善，但检测效率低，耗时较长。为综合现有检测方法的优势，研究提出了一种基于全连接循环神经网络的异常流量检测技术，神经网络作为一种模拟人脑工作原理的新型信息处理模型，在处理异常流量数据方面，与传统检测方法相比具有更高的效率和准确率，而全连接循环神经网络是对经典神经网络模型的优化与改进，可以更进一步地保护局域网的数据安全。……