基于融合模型的网络异常入侵检测方法应用.pdfVIP

中文摘要

在最近几年，网络攻击日益猖獗，呈现多样化趋势，其手段之复杂常使得检测

工作难以进行。鉴于此，提升网络入侵检测系统的识别效率显得尤为关键。网络入

侵检测不仅是当前一个高度实用的研究领域，而且它通过识别异常流量模式，助力

于揭示潜在的攻击行为。面对日新月异的网络环境，传统检测手段往往难以捕捉新

型的攻击流量数据，且常常面临评价性能不达标的问题。现实中，正常流量的庞大

规模与攻击流量的稀少性造成了检测偏差，这可能导致对某些类型的攻击流量漏检，

从而带来实际的经济损失。为克服这些挑战，学术界纷纷采取行动，而深度学习的

出现为学术界与现实生活中网络攻击的查询提供了新的发展思路。深度学习模型能

够有效训练模型并预测未来可能出现的攻击类型，实现对网络流量的精确分类。

结合深度学习理论和传统方法，本文采用了一种基于堆叠稀疏自编码器（SSAE）

的网络流量特征提取技术。SSAE能够将高维特征非线性映射到低维空间，适应于

处理大规模数据集的网络流量特征分类任务。同时运用了自适应矩估计方法进行优

化，以期达到最佳性能。通过在UNSW-NB15和NSL-KDD数据集上进行多方面的

比较实验，结果显示，优化后的SSAE在不损失原始数据信息的情况下表现出色，

显著降低了网络流量的维度，并在保持高水准的分类器评价指标的同时缩短了检测

时间。

为了改善传统方法在评价指标和检测时长上的不足，本文提出了一个融合SSAE、

卷积神经网络（CNN）以及双向门控循环神经网络（BiGRU）的网络入侵检测模型。

面对UNSW-NB15和NSL-KDD数据集中的样本不平衡问题采用了聚焦损失函数

（FocalLoss）来降低数据集中占比较高的样本类别权重，以增强检测能力。广泛的

实验结果证实，该模型在上述两个数据集上相较于传统方法展现出更优异的评价指

标，并且显著减少了检测所需时间。

关键词：网络入侵检测；堆叠稀疏自编码器；卷积神经网络；双向门控循环神经网

络；特征提取

ABSTRACT

Inrecentyears,networkattackshavebecomeincreasinglyrampant,showinga

diversifiedtrend,thecomplexityofitsmeansoftenmakesitdifficulttodetect.Inviewof

this,itisparticularlycriticaltoimprovetheidentificationefficiencyofnetworkintrusion

detectionsystems.Networkintrusiondetectionisnotonlyahighlypracticalresearch

area,butalsohelpstorevealpotentialattacksbyidentifyingabnormaltrafficpatterns.In

thefaceofever-changingnetworkenvironments,traditionaldetectionmeansareoften

difficulttocapturenewtypesofattacktrafficdataandoftenfacesubstandardevaluation

performance.Inreality,thelargescaleofnormaltrafficandthescarcityofattacktraffic

causedetectionbias,whichmayleadtomisseddetectionofcertaintypesofattacktraffic,

resultinginrealeconomiclosses.Toovercomethesechallenges,academiahastaken

action,andth