基于自我注意机制的异常网络检测研究

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 网络流量异常检测对于识别和防止安全威胁至关重要.
• 现有的方法在复杂的网络环境中经常面临效率和准确性的挑战.

研究的目的:

• 开发一种基于深度学习的新型模型,用于增强网络流量异常检测.
• 通过先进的功能工程和专门的神经网络架构来提高异常检测的效率和准确性.

主要方法:

• 重建一个网络流量异常检测数据集 (DNTAD) 使用来自UNSW-NB15.15的增强特征提取.
• 开发一个检测模型,集成长期短期记忆 (LSTM) 和循环神经网络自我注意机制,以捕捉时间依赖和特征关系.

主要成果:

• 拟议的功能工程方法提高了经典机器学习算法 (如XGBoost) 的运行效率,而不会影响训练性能.
• 基于LSTM的模型具有自我注意机制,与重建数据集上的其他模型相比,其表现优越,并通过废除研究验证了其组件的有效性.

结论:

• 该研究成功开发和验证了一种新的深度学习模型,用于检测网络流量异常.
• 增强的功能工程和LSTM自我注意模型为更准确,更有效的网络安全威胁识别提供了有希望的方法.