计算机工程

作者：董卫宇, 李海涛, 王瑞敏, 任化娟, 孙雪凯

单位：1. 信息工程大学 网络空间安全学院, 郑州 450002;2. 郑州大学 网络空间安全学院, 郑州 450001

关键词：网络流量异常检测,入侵检测系统,深度神经网络,堆叠卷积注意力,二进制特征

基金：国家重点研发计划（2018YFB0804500）。

入侵检测系统（IDS）在发现网络异常和攻击方面发挥着重要作用，但传统IDS误报率较高，不能准确分析和识别异常流量。目前，深度学习技术被广泛应用于网络流量异常检测，但仅仅采用简单的深度神经网络（DNN）模型难以有效提取流量数据中的重要特征。针对上述问题，提出一种基于堆叠卷积注意力的DNN网络流量异常检测模型。通过堆叠多个以残差模块连接的注意力模块增加网络模型深度，同时在注意力模块中引入卷积神经网络、池化层、批归一化层和激活函数层，防止模型过拟合并提升模型性能，最后在DNN模型中得到输出向量。基于NSL-KDD数据集对模型性能进行评估，将数据集预处理生成二进制特征，采用多分类、二分类方式验证网络流量异常检测效果。实验结果表明，该模型性能优于KNN、SVM等机器学习模型和ANN、AlertNet等深度学习模型，其在多分类任务中识别准确率为0.807 6，较对比模型提高0.034 0~0.097 5，在二分类任务中准确率和F1分数为0.860 0和0.863 8，较对比模型提高0.013 0~0.098 8和0.030 6~0.112 8。

来源：2022年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第9期