文献类型：期刊文章

作　　者：谷勇浩[1,2,3] 黄博琪[1,2] 王继刚[4] 田甜[4] 刘焱[5] 吴月升[5]

Gu Yonghao;Huang Boqi;Wang Jigang;Tian Tian;Liu Yan;Wu Yuesheng(School of Computer Science,Beijing University of Posts and Telecommunications,Beijing 100876;Beijing Key Laboratory of Intelligent Telecommunications Software and Multimedia(Beijing University of Posts and Telecommunications),Beijing 100876;Guangdong Provincial Key Laboratory of Information Security Technology(Sun Yat-sen University),Guangzhou 510275;ZTE Corporation,Nanjing 210012;Baidu Online Network Technology(Beijing)Co.,Ltd.,Beijing 100080)

机构地区：[1]北京邮电大学计算机学院,北京100876 [2]智能通信软件与多媒体北京市重点实验室(北京邮电大学),北京100876 [3]广东省信息安全技术重点实验室(中山大学),广州510275 [4]中兴通讯股份有限公司,南京210012 [5]百度在线网络技术(北京)有限公司,北京100080

出　　处：《计算机研究与发展》

基　　金：北京邮电大学中央高校基本科研业务费行动计划项目(2021XD-A11-1);中兴通讯产学研合作项目(HC-CN-20200807013);广东省信息安全技术重点实验室开放基金项目(2020B1212060078);国家自然科学基金项目(U1836108,U1936216)。

年　　份：2022

卷　　号：59

期　　号：6

起止页码：1329-1342

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对木马流量检测技术存在人工提取特征不够准确、大量标记样本获取困难、无标记样本没有充分利用、模型对于未知样本识别率较低等问题,提出基于半监督深度学习的木马流量检测方法,利用大量未标记网络流量用于模型训练.首先,采用基于mean teacher模型的检测方法提高检测准确率;然后,为解决mean teacher模型中采用随机噪声导致模型泛化能力不足的问题,提出基于虚拟对抗mean teacher模型的检测方法;最后,通过实验验证所提半监督深度学习检测方法在少标记样本下的二分类、多分类以及未知样本检测任务中具有更高的准确率.此外,基于虚拟对抗mean teacher模型的检测方法在多分类任务中比原始mean teacher模型表现出更强的泛化性能.

关 键 词：木马流量检测  深度学习  半监督模型  mean teacher  虚拟对抗训练  

分 类 号：TP309]