基于深度自编码网络的安全态势要素获取机制.pdf

JournalofComputerApplications ISSN lo01—9081 2017—03—10 计算机应用，2017，37(3)：771—776 CODENJYIIDU http：／／www．joca．an 文章编号：1001-9081(2017)03—0771—06 DOI：10．11772／j．issn．1001—9081．2017．03．771 基于深度 自编码 网络的安全态势要素获取机制 朱 江，明 月 ，王 森 (重庆市移动通信重点实验室(重庆邮电大学)，重庆 400065) (}通信作者电子邮箱mingy455@163．coin) 摘 要：针对大规模网络态势要素获取时间复杂度较 高和攻击样本不平衡导致小类样本分类精度不高的问题， 提出一种基于深度 自编码网络的态势要素获取机制。在该机制下，利用优化后的深度 自编码网络作为基分类器，识 别数据类型。一方面，在 自编码网络的逐层训练 中，提 出一种结合交叉熵 (CE)函数和反向传播 (BP)算法的训练规 则，克服传统的方差代价函数更新权值过慢的缺陷；另一方面，在深度 网络的微调和分类阶段，提出一种主动在线采 样 (AOS)算法应用于分类器中，通过在线选择用于更新网络权值的攻击样本，达到总样本的去冗余和平衡各类攻击样 本数量的目的，从而提高小类攻击样本的分类精度。经对实例数据的仿真分析，该方案有较好的态势要素获取精度 ， 并能有效减少数据传输时的通信开销。 关键词：网络安全；态势要素；深度 自编码网络；交叉熵函数 ；主动学习 中图分类号：TP393．08 文献标志码：A Mechanism ofsecuritysituationelementacquisitionbasedondeepauto-encodernetwork ZHU Jiang，MINGYue’，WANGSen (ChongqingKeyLaboratoryofMobileCommunicationsTechnology(ChongqingUniversityofPostsandTelecommunications)，Chongqing400065，China) Abstract：Toreducethetimecomplexityofsituationalelementacquisitionandcopewiththelow detectionaccuracyof smallclasssamplescausedbyimbalancedclassdistribution ofattacksamplesinlarge．scalenetworks，asituationelement extractionmechanism basedondeepauto—encodernetworkwasproposed．Inthismechanism，theimproveddeepauto—encoder networkwasintroducedasbasicclassifiertoidentifydatatype．Ontheonehand，inthetrainingoftheauto—eneodernetwork， thetrainingrulebasedonCrossEntropy(CE)functionnadBackPropagation(BP)algorithm wasadoptedtoovercomethe shortcomingofslow weightsupdatingbythetraditionalvarinacecostfunction．Ontheotherhna d，inthestageoffine—tuning andclassificationofthedeepnetwork，anActiveOnlineSmapling(AOS)algorithmwasappliedintheclassifiertose