網(wǎng)絡(luò)攻擊聚類是面向無標簽數(shù)據(jù)場景的重要分類技術(shù)。在實際應(yīng)用環(huán)境中,存在大量未標記的網(wǎng)絡(luò)數(shù)據(jù)。通過設(shè)計聚類算法,可以有效的對這類數(shù)據(jù)的安全性進行無監(jiān)督檢測,t-SNE算法可以同時考慮數(shù)據(jù)的全局關(guān)系和局部關(guān)系,根據(jù)此特點本文選用該算法對網(wǎng)絡(luò)攻擊行為進行檢測。為了適應(yīng)于t-SNE算法,本文提出了一種適應(yīng)的數(shù)據(jù)預(yù)處理方案。進行了基于一個公開網(wǎng)絡(luò)攻擊數(shù)據(jù)集的仿真實驗,比較了t-SNE算法與主成份分析（PCA）和自動編碼（auto-encoder）的性能差距。實驗表明,t-SNE算法具有較好的網(wǎng)絡(luò)攻擊行為的聚類效果。 

【文章來源】：網(wǎng)絡(luò)新媒體技術(shù). 2020,9(06)

【文章頁數(shù)】：6 頁

【部分圖文】：

微流預(yù)處理流程圖

(1)截斷與補齊。為了構(gòu)造等長的流,需要截斷和補齊的操作。預(yù)設(shè)每路流固定包含t個網(wǎng)絡(luò)包,且每個網(wǎng)絡(luò)包包含k字節(jié)。在已知t和k的條件下,可以對過長的網(wǎng)絡(luò)包或流進行截斷。而對于過短的網(wǎng)絡(luò)包或流,需要用0值補齊。一般的,因為包頭包含了大量有效信息,截斷數(shù)據(jù)從包頭開始。具體流程圖見圖2。

我們設(shè)計了3組超參數(shù)對比組。第一組為學(xué)習(xí)率對比組(見圖3),其中,迭代周期固定為1000次,困惑度固定為30,學(xué)習(xí)率從0.001到10000分布。具體見圖3。可以看出,當(dāng)學(xué)習(xí)率過大或過小時,聚類效果都不佳,這點與理論分析相符。因此,建議的學(xué)習(xí)率范圍為[10,1000]。第二組為困惑度對比組(見圖4)。其中,學(xué)習(xí)率固定為100,迭代周期固定為1000次,困惑度的范圍為2到100。可以看出,最佳困惑度在20到50之間。當(dāng)然,實驗中并沒有出現(xiàn)數(shù)據(jù)和模型對困惑度不敏感的情況。這說明了選擇合適的困惑度有助于優(yōu)化t-SNE算法。

【參考文獻】：
期刊論文
[1]基于遞歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全事件預(yù)測[J]. 郝怡然,盛益強,王勁林,李超鵬.  網(wǎng)絡(luò)新媒體技術(shù). 2017(05)



本文編號：3087644