針對目前大多數(shù)的網(wǎng)絡態(tài)勢預測方法不能挖掘數(shù)據(jù)中的深度信息且需要手動提取與構(gòu)造特征的問題,提出了深度特征網(wǎng)絡態(tài)勢預測方法 DFS-Seq2Seq。首先將網(wǎng)絡流、日志和系統(tǒng)事件等產(chǎn)生的數(shù)據(jù)進行清洗處理,使用深度特征融合算法自動合成深度關(guān)系特征,然后采用自動編碼器對合成的特征進行提取,最后使用長短期記憶網(wǎng)絡（LSTM）構(gòu)建Seq2Seq模型對數(shù)據(jù)進行預測。通過設計縝密的實驗在公開數(shù)據(jù)集Kent2016上對所提方法進行驗證,結(jié)果顯示在深度為2時與支持向量機（SVM）、貝葉斯、隨機森林（RF）和LSTM這四種分類模型相比,其召回率分別提升了7.4%、11.5%、6.5%、3.0%。實驗結(jié)果表明DFS-Seq2Seq可以在實際應用中有效地識別網(wǎng)絡身份驗證中的危險事件,對網(wǎng)絡態(tài)勢作出有效的預測。 

【文章來源】：計算機應用. 2020,40(08)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 相關(guān)工作
    1.1 深度特征合成算法
    1.2 自動編碼器
    1.3 長短期記憶網(wǎng)絡
2 DFS-Seq2Seq深度特征網(wǎng)絡態(tài)勢檢測方法
    2.1 數(shù)據(jù)處理與算法流程
    2.2 Seq2Seq模型分析與構(gòu)造
3 實驗結(jié)果與分析
4 結(jié)語


【參考文獻】：
期刊論文
[1]基于深度學習的網(wǎng)絡入侵檢測研究綜述[J]. 張勇東,陳思洋,彭雨荷,楊堅.  廣州大學學報(自然科學版). 2019(03)
[2]基于雙向LSTM的Seq2Seq模型在加油站時序數(shù)據(jù)異常檢測中的應用[J]. 陶濤,周喜,馬博,趙凡.  計算機應用. 2019(03)
[3]自編碼神經(jīng)網(wǎng)絡理論及應用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計算機學報. 2019(01)
[4]改進隨機森林算法在電信業(yè)客戶流失預測中的應用[J]. 丁君美,劉貴全,李慧.  模式識別與人工智能. 2015(11)
[5]基于改進自適應灰色模型的網(wǎng)絡安全態(tài)勢預測[J]. 陳雷,司志剛,鶴榮育,周飛.  計算機科學. 2014(S2)



本文編號：3199723