針對(duì)目前大多數(shù)的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)方法不能挖掘數(shù)據(jù)中的深度信息且需要手動(dòng)提取與構(gòu)造特征的問(wèn)題,提出了深度特征網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)方法 DFS-Seq2Seq。首先將網(wǎng)絡(luò)流、日志和系統(tǒng)事件等產(chǎn)生的數(shù)據(jù)進(jìn)行清洗處理,使用深度特征融合算法自動(dòng)合成深度關(guān)系特征,然后采用自動(dòng)編碼器對(duì)合成的特征進(jìn)行提取,最后使用長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）構(gòu)建Seq2Seq模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。通過(guò)設(shè)計(jì)縝密的實(shí)驗(yàn)在公開(kāi)數(shù)據(jù)集Kent2016上對(duì)所提方法進(jìn)行驗(yàn)證,結(jié)果顯示在深度為2時(shí)與支持向量機(jī)（SVM）、貝葉斯、隨機(jī)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(shí)驗(yàn)結(jié)果表明DFS-Seq2Seq可以在實(shí)際應(yīng)用中有效地識(shí)別網(wǎng)絡(luò)身份驗(yàn)證中的危險(xiǎn)事件,對(duì)網(wǎng)絡(luò)態(tài)勢(shì)作出有效的預(yù)測(cè)。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用. 2020,40(08)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【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(dòng)編碼器
    1.3 長(zhǎng)短期記憶網(wǎng)絡(luò)
2 DFS-Seq2Seq深度特征網(wǎng)絡(luò)態(tài)勢(shì)檢測(cè)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(shí)驗(yàn)結(jié)果與分析
4 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)研究綜述[J]. 張勇東,陳思洋,彭雨荷,楊堅(jiān).  廣州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[2]基于雙向LSTM的Seq2Seq模型在加油站時(shí)序數(shù)據(jù)異常檢測(cè)中的應(yīng)用[J]. 陶濤,周喜,馬博,趙凡.  計(jì)算機(jī)應(yīng)用. 2019(03)
[3]自編碼神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[4]改進(jìn)隨機(jī)森林算法在電信業(yè)客戶流失預(yù)測(cè)中的應(yīng)用[J]. 丁君美,劉貴全,李慧.  模式識(shí)別與人工智能. 2015(11)
[5]基于改進(jìn)自適應(yīng)灰色模型的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)[J]. 陳雷,司志剛,鶴榮育,周飛.  計(jì)算機(jī)科學(xué). 2014(S2)



本文編號(hào)：3199723