基于深度学习的网络异常流量检测系统的设计与实现.docVIP

摘要

在信息化相关基础设置及技术的迅速发展的时代，以网络为基础的各种类型的服务给人们带来了种种便利，但与此同时，针对信息安全的威胁也在不断增多。随着网络安全问题的日益突出，网络安全问题日益引起人们的关注。网络流量异常探测技术能够对各类非法的网络入侵进行实时探测，并对其进行预警，从而降低经济损失。但是，在高速发展的信息化时代，网络攻击呈现出日益复杂和多样化的特点，并且由于网络环境的异质性，其识别难度也日益加大。

随着互联网的智能化和大数据时代的到来，传统的网络异常检测技术已经不能满足需求，其根本原因是传统的基于机器学习的方法过分依赖人工，以人的经验为基础，很难对网络中的未知环境进行适应，而且在存在大量未知信息的情况下，会导致检测结果的准确性下降。网络流量是一类时序数据，其波动性具有非平稳性和随机性，因而，传统的网络异常流量检测方法只能对表层进行有效的检测，但对深层的检测精度将大大降低。

本次毕业设计结合了深度学习技术，采用了CNN(ConvolutionalNeuralNetworks，卷积神经网络)与LSTM(LongShort-termMemory，长短期记忆网络)相结合的算法模型对网络流量的数据特征进行提取，人为工作量减少，人力成本降低。通过对已有的网络异常流量检测模型进行分析，构建LSTM网络实现对网络异常流量进行分类和检测，将提取到的网络流量特征作为LSTM网络的输入参数进行预测，为保障网络安全提供了一条有效途径。

关键词：深度学习；网络异常流量检测；卷积神经网络；长短期记忆网络；异常检测

Abstract

Intheeraofrapiddevelopmentofinformatization-relatedinfrastructureandtechnology,varioustypesofnetwork-basedserviceshavebroughtvariousconveniencestopeople,butatthesametime,threatstoinformationsecurityarealsoincreasing.Withtheincreasingprominenceofnetworksecurityissues,networksecurityissueshaveattractedincreasingattention.Networktrafficanomalydetectiontechnologycandetectallkindsofillegalnetworkintrusionsinrealtimeandwarnthem,therebyreducingeconomiclosses.However,intherapidlydevelopinginformationage,cyberattacksarebecomingincreasinglycomplexanddiverse,andduetotheheterogeneityofthenetworkenvironment,theiridentificationisbecomingincreasinglydifficult.

WiththeadventoftheeraofintelligenceandbigdataoftheInternet,thetraditionalnetworkanomalydetectiontechnologycannolongermeetthedemand,thefundamentalreasonisthatthetraditionalmachinelearning-basedmethodsrelytoomuchonmanuallabor,basedonhumanexperience,itisdifficulttoadapttotheunknownenvironmentinthenetwork,andinthepresenceofalargeamountofunknowninformation,itwillleadtoadeclineintheaccuracyofdetectionresults.Networktrafficisakindoftimeseriesdata,anditsvolatilityisnon-stationa