-
题名基于多模型并行融合网络的恶意流量检测方法
被引量：2
- 1
-
-
作者
李向军
王俊洪
王诗璐
陈金霞
孙纪涛
王建辉
-
机构
南昌大学软件学院
南昌大学数学与计算机学院
-
出处
《计算机应用》
CSCD
北大核心
2023年第S02期122-129,共8页
-
基金
国家自然科学基金资助项目(62262039)
江西省高等学校大学生创新创业训练计划项目(202110403070)
+3 种基金
江西省科技创新平台项目(20181BCD40005)
南昌大学江西省财政科技专项“包干制”项目(ZBG20230418014)
江西省教育厅科学技术研究资助项目(GJJ2210701)
江西省教学改革重点项目(JXJG-2020-1-2)。
-
文摘
针对单一串行深度学习检测模型提取流量特征时无法完整反映原始流量信息,且恶意流量识别精度低的问题,设计多模型并行融合网络,提出一种基于多模型并行融合网络的恶意流量检测方法。所提方法采用并行方式,融合一维卷积神经网络(1D-CNN)与双向长短期记忆(Bi-LSTM)网络进行特征提取和流量识别,各条支路均直接面向原始流量,同时提取流量的空间特征与时序特征,采用共同的全连接层进行特征融合,可更精准地反映原始流量信息并有效提高恶意流量的识别准确率。在开源NSL-KDD数据集上的实验结果表明,所提方法恶意流量检测的特征提取能力、鲁棒性以及在线学习能力等方面均表现了优越的性能。
-
关键词
恶意流量检测
深度学习
多模型并行融合
卷积神经网络
双向长短期记忆网络
-
Keywords
malicious traffic detection
deep learning
multi-model parallel fusion
Convolutional Neural Network(CNN)
Bi-directional Long Short-Term Memory(Bi-LSTM)network
-
分类号
TP393.081
[自动化与计算机技术—计算机应用技术]
-
