流量異常檢測是網(wǎng)絡(luò)入侵檢測的主要途徑之一,也是網(wǎng)絡(luò)安全領(lǐng)域的一個熱門研究方向。通過對網(wǎng)絡(luò)流量進行實時監(jiān)控,可及時有效地對網(wǎng)絡(luò)異常進行預(yù)警。目前,網(wǎng)絡(luò)流量異常檢測方法主要分為基于規(guī)則和基于特征工程的方法,但現(xiàn)有方法需針對網(wǎng)絡(luò)流量特征的變化需重新人工收集規(guī)則或構(gòu)造特征,工作量大且繁雜。為解決上述問題,該文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法來自動提取網(wǎng)絡(luò)流量的時空特征,可同時提取不同數(shù)據(jù)包之間的時序特征和同一數(shù)據(jù)包內(nèi)字節(jié)流的空間特征,并減少了大量的人工工作。在MAWILab網(wǎng)絡(luò)軌跡數(shù)據(jù)集上進行的驗證分析結(jié)果表明,該文所提出的網(wǎng)絡(luò)流時空特征提取方法優(yōu)于已有的深度表示學(xué)習(xí)方法。

【文章頁數(shù)】：10 頁


本文編號：3906525