基于深度学习的网络流量异常预测方法

被引：99

作者：

黎佳玥

赵波

李想

刘会

刘一凡

邹建文

机构：

[1] 武汉大学国家网络安全学院空天信息安全与可信计算教育部重点实验室

来源：

计算机工程与应用 | 2020年 / 56卷 / 06期

关键词：

网络入侵检测; 深度学习; 流量异常检测; 流量预测; 神经网络;

D O I：

暂无

中图分类号：

TP393.08 []; TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对网络入侵检测系统(NIDS)能够检测当前系统中存在的网络安全事件,但由于自身的高误报率和识别安全事件产生的时延,无法提前对网络安全事件进行准确率较高的预警功能,严重制约了NIDS的实际应用和未来发展的问题,提出了基于深度学习的网络流量异常预测方法。该方法提出了一种结合深度学习算法中长短期记忆网络和卷积神经网络的预测模型,能够训练得到网络流量数据的时空特征,实现预测下一时段网络流量特征变化和网络安全事件分类识别,为NIDS实现网络安全事件的预警功能提供了方法分析。实验通过使用设计好的神经网络框架对入侵检测系统流量数据集CICIDS2017进行了训练和性能测试,在该方法下流量分类的误报率下降到0.26%,总体准确率达到了99.57%,流量特征预测模型R2的最佳效果达到了0.762。

引用

页码：39 / 50

页数：12

共 10 条

[1]

基于深度学习的短时交通流预测研究 [J].

王祥雪 ;

许伦辉 .

交通运输系统工程与信息, 2018, 18 (01) :81-88

[2]

基于LSTM神经网络的美股股指价格趋势预测模型的研究 [D].

孙瑞奇 .

首都经济贸易大学,

2016

[3]

Effective long short-term memory with differential evolution algorithm for electricity price prediction.[J].Lu Peng;Shan Liu;Rui Liu;Lin Wang.Energy.2018,

[4]

Recent advances in convolutional neural networks.[J].Jiuxiang Gu;Zhenhua Wang;Jason Kuen;Lianyang Ma;Amir Shahroudy;Bing Shuai;Ting Liu;Xingxing Wang;Gang Wang;Jianfei Cai;Tsuhan Chen.Pattern Recognition.2018,

[5]

A survey of deep neural network architectures and their applications.[J].Weibo Liu;Zidong Wang;Xiaohui Liu;Nianyin Zeng;Yurong Liu;Fuad E. Alsaadi.Neurocomputing.2016,

[6]

Modeling asymptotically independent spatial extremes based on Laplace random fields.[J].Thomas Opitz.Spatial Statistics.2016,

[7]

Advanced probabilistic approach for network intrusion forecasting and detection [J].

Shin, Seongjun ;

Lee, Seungmin ;

Kim, Hyunwoo ;

Kim, Sehun .

EXPERT SYSTEMS WITH APPLICATIONS, 2013, 40 (01) :315-322

[8]

A hybrid machine learning approach to network anomaly detection [J].

Shon, Taeshik ;

Moon, Jongsub .

INFORMATION SCIENCES, 2007, 177 (18) :3799-3821

[9]

A new boosting algorithm for improved time-series forecasting with recurrent neural networks.[J].Mohammad Assaad;Romuald Boné;Hubert Cardot.Information Fusion.2006, 1

[10]

Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

← 1 →