相关实验视频
Updated: May 5, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
GSOOA-1DDRSN:基于深度残留收缩网络的网络流量异常检测
Fengqin Zuo1, Damin Zhang1, Lun Li1
1College of Big Data and Information Engineering, Guizhou University, Guiyang, 550025, China.
Heliyon
|June 13, 2024
概括
本研究介绍了GSOOA-1DDRSN用于网络流量异常检测,提高准确性和减少计算时间. 这种新方法通过有效识别恶意网络行为来增强网络安全.
科学领域:
- 网络安全 网络安全
- 网络入侵检测 网络入侵检测
- 机器学习 机器学习
背景情况:
- 网络流量异常检测对于网络空间安全至关重要.
- 传统的机器学习方法与大规模的网络数据作斗争.
- 深度学习在特征提取和通用化方面为入侵检测提供了优势.
研究的目的:
- 提出一个增强的网络流量异常检测方法.
- 提高检测恶意网络流量的准确性和效率.
- 解决处理复杂威胁的传统方法的局限性.
主要方法:
- 开发了GSOOA-1DDRSN,这是一个网络流量异常检测系统.
- 使用了改进的 Osprey 优化算法来进行特征选择和维度减少.
- 采用一维深度残留收缩网络 (1DDRSN) 作为分类器.
主要成果:
- 与1DDRSN相比,GSOOA-1DDRSN提高了多个分类准确性,精度,回忆和F1评分的2-3%.
- 在NSL-KDD和UNSW-NB15数据集上,计算成本降低了20-30%.
- 与其他模型相比,证明了卓越的分类准确性和有效的特征减少.
结论:
- GSOOA-1DDRSN显著提高了网络流量异常检测性能.
- 拟议的方法为入侵检测提供了更有效,更准确的解决方案.
- 这种方法提供了对不断变化的网络威胁的强有力的防御.
