基于异常流量多级特征提取的网络入侵检测方法.pdfVIP

基于异常流量多级特征提取的网络入侵检测方法

郭军

（国网西安供电公司，西安710032）

摘要：目前，网络入侵行为隐蔽性日益增强，传统检测手段面临挑战。提出了一种基于异常流量多

级特征提取的网络入侵检测方法。首先，构建了一个多级特征提取模块，以增强网络数据流中高度隐蔽

的入侵序列的特征，提升其辨识度与显著性。然后，引入长短期记忆循环神经网络作为核心识别引擎，

对特征增强的数据流量进行精准分析，输出高置信度的检测结果。最后，为确保所提方法的稳健性与实

用性，在自建的局域网环境中，采集了多样化的数据样本，并结合多种损失函数进行模型的训练与优

化。实验结果表明，相较于传统及现有的对比方法，所提网络入侵检测方法在标准测试集及实际网络环

境数据中均展现出卓越的性能，为现代网络空间中的隐蔽入侵行为检测提供了有力的技术支撑。

关键词：高隐蔽网络入侵；入侵检测；多级特征提取

[7]

1概述形成对比。

随着网络技术的普及和深入应用，网络安全问题愈研究采用的DenseNet-121架构如图1所示，共121

发凸显。网络攻击者利用技术漏洞，向目标系统投放恶层，展现了DenseNet在深度与效率间的平衡。

意流量，窃取敏感信息，对个人、企业乃至国家安全构

成严重威胁。然而，随着攻击手段的不断进化，恶意流BN-ReLU-CONV

[1]

量变得愈发隐蔽，给网络入侵检测带来了巨大挑战。BN-ReLU-CONV

因此，开发能够深入解析网络数据、准确检测入侵行为BN-ReLU-CONV

的方法非常重要。

BN-ReLU-CONV

当前，网络入侵检测主要依赖于传统方法和人工智能

BN-ReLU-CONV

算法。传统方法，例如，文献[2]所述的数据挖掘算法，虽

能实时探测网络流量，但稳定性不足。文献[3]提出的基于

SMOTE和遗传算法的模型，虽能平衡数据并筛选特征，图1DenseNet-121架构

但算法复杂度较高。在人工智能领域，文献[4]提出的基于DenseNet-121设计了预处理模块和3个过渡层，逐

卷积神经网络（CNN）的算法在工控网络中有一定应用，步扩展特征深度。核心由2个密度块构成，运用1×1和

但实时性受限。文献[5]提出的使用长短期记忆单元3×3卷积核进行特征提取与变换；采用密集连接策略，

（LSTM）的方法虽实时性较好，但特征提取能力较弱。丰富特征表示能力，提升信息流通效率，缓解梯度消失

为了应对这些挑战，研究提出一种结合循环网络和问题，促进特征复用。DenseNet-121高性能且参数少，

CNN优势的网络入侵检测方法。该方法首先利用卷积网计算效率高，资源消耗低。在网络入侵检测中能提取隐

络构建多级特征提取模块，提高网络对异常流量的检测准蔽信息，增强数据敏感性。该结构的数学表达式如

确度。然后，引入LSTM循环神经网络（RNN）作为识别公式（1）所示：