文献类型：期刊文章

作　　者：孙旭日[1] 刘明峰[1] 程辉[1] 彭博[1] 赵宇飞[2]

SUN Xuri;LIU Mingfeng;CHENG Hui;PENG Bo;ZHAO Yufei(State Grid Qingdao Power Supply Company,Qingdao Shandong 266002,China;School of Computer Science and Engineering,Beihang University,Beijing 100191,China)

机构地区：[1]国网山东省电力公司青岛供电公司,山东青岛266002 [2]北京航空航天大学计算机学院,北京100191

出　　处：《北京交通大学学报》

基　　金：国家自然科学基金(U1636211)。

年　　份：2020

卷　　号：44

期　　号：2

起止页码：17-26

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决大多数网络流量异常检测方法准确度低、误报率高等问题,提出一种基于长短期记忆网络自编码(LSTM-Autoencoder)的网络流量异常检测方法.首先,将真实网络流量从数据包和会话流级别两方面提取数据特征.为了丰富原始特征,采用离散小波变换(DWT)分解原始特征向量得到更高维特征.考虑真实网络环境可能存在异常数据,采用Grubbs准则对数据进行平滑操作,以防止非人为异常数据干扰训练LSTM-Autoencoder模型.使用已训练的LSTM-Autoencoder模型对训练数据进行重构,通过分析重构误差分布确定检测阈值.最后,对真实网络流量进行测试,分析了模型结构以及外部噪声对检测性能的影响,实验结果验证了所提方法的正确性.与其他基于数据重构的检测方法相比,所提方法具有更高的检测准确度和更优的检测性能.

关 键 词：信息安全 长短期记忆网络  离散小波变换 自编码  Grubbs准则  数据重构量  异常检测

分 类 号：TP393.0]