随着互联网的快速发展,网络安全越来越受到人们的重视。传统的异常流量检测模型虽然具有较好的识别率,但需要大量有标记的数据进行训练。因此,基于无监督学习的网络异常流量检测方法被广泛采用。近年来,随着深度学习算法在异常检测中的...随着互联网的快速发展,网络安全越来越受到人们的重视。传统的异常流量检测模型虽然具有较好的识别率,但需要大量有标记的数据进行训练。因此,基于无监督学习的网络异常流量检测方法被广泛采用。近年来,随着深度学习算法在异常检测中的运用,无监督深度学习模型也不同程度地提升了检测算法的性能。然而,无监督深度学习方法往往无法避免异常检测阈值选择的问题。因此,针对现有数据标记困难和阈值选择的问题,文中提出了一种基于代价敏感度改进的K近邻算法结合阈值选择方法的异常流量检测系统。该系统不但可以准确识别恶意流量,也无需有标记数据集,极大减少了人工标注数据的工作量。实验使用UNSW-NB15、NSL-KDD和CICIDS2017数据集来验证模型的适用性,并分别与经典的机器学习算法One Class SVM以及深度学习方法AutoEncoder进行了对比。实验结果表明,在3类数据集上,与深度学习算法和传统的无监督机器学习算法相比,该算法有效提升了网络异常流量检测的性能。展开更多
文摘随着互联网的快速发展,网络安全越来越受到人们的重视。传统的异常流量检测模型虽然具有较好的识别率,但需要大量有标记的数据进行训练。因此,基于无监督学习的网络异常流量检测方法被广泛采用。近年来,随着深度学习算法在异常检测中的运用,无监督深度学习模型也不同程度地提升了检测算法的性能。然而,无监督深度学习方法往往无法避免异常检测阈值选择的问题。因此,针对现有数据标记困难和阈值选择的问题,文中提出了一种基于代价敏感度改进的K近邻算法结合阈值选择方法的异常流量检测系统。该系统不但可以准确识别恶意流量,也无需有标记数据集,极大减少了人工标注数据的工作量。实验使用UNSW-NB15、NSL-KDD和CICIDS2017数据集来验证模型的适用性,并分别与经典的机器学习算法One Class SVM以及深度学习方法AutoEncoder进行了对比。实验结果表明,在3类数据集上,与深度学习算法和传统的无监督机器学习算法相比,该算法有效提升了网络异常流量检测的性能。
