结合混合特征选择和Transformer的网络数据流异常检测.pdfVIP

第

54

卷第

3

期电子科技大学学报

Vol.

54No.

3

2025年5月Journal

of

University

of

Electronic

Science

and

Technology

of

China

May

2025

引用格式：向思羽,

刘才铭.

结合混合特征选择和Transformer的网络数据流异常检测[J].

电子科技大学学报,

2025,

54(3):

442-454.

XIANG

S

Y,

LIU

C

M.

Network

data

anomaly

detection

combined

with

hybrid

feature

selection

and

Transformer[J].

Journal

of

University

of

Electronic

Science

and

Technology

of

China,

2025,

54(3):

442-454.

结合混合特征选择和Transformer的

网络数据流异常检测

1,

21,

2,

3*

向思羽，刘才铭

（1.

西南石油大学

计算机与软件学院，成都

610500；2.

乐山师范学院

电子信息与人工智能学院，乐山

614000；

3.

乐山师范学院

网络安全智能检测与评估实验室，乐山

614000）

摘要：智能学习方法在网络数据异常分析中发挥着重要作用，但传统智能化异常分析方法难以在网络数据分析结果的可

解释性、异常分析的计算资源消耗量、网络数据流序列数据分析准确度上寻得平衡。为克服以上问题，提出了一种结合混合

特征选择和Transformer的网络数据流异常检测模型，基于混合特征选择方法进行数据预处理，基于改进的Transformer进行

异常检测。采用树模型与互信息的混合特征选择算法对网络数据特征进行降维。采用Transformer的encoder部分作为分类

任务的核心，并融入卷积操作来增强对网络数据流序列数据的局部感知能力，通过分类头进行输出。对所提方法进行了仿真

实验，在公共入侵检测数据集CICIDS2017上进行验证，实验结果表明，该模型能对网络数据流异常进行有效检测，优于所

对比的基于神经网络的入侵检测方法。

关键词：混合特征选择；随机森林；互信息；自注意力机制；异常检测

中图分类号：TP393.08

文献标志码：A

DOI:

10.12178/1001-0548.2024083

Network

data

anomaly

detection

combined

with

hybrid

feature

selection

and

Transformer

1,

21,

2,

3*

XIANG

Siyu

and

LIU

Caiming

(1.

School

of

Computer

Science

and

Software

Engineering,

Southwest