一个基于卷积神经网络和AutoEncoder的多信息融合异常检测模型
Zhongnan Zhao1,2, Hongwei Guo3, Yue Wang4
1School of Computer Science and Technology, Harbin University of Science and Technology, Harbin, 150080, China. zhaozhongnan@hrbust.edu.cn.
Scientific reports
|July 12, 2024
概括
这项研究引入了一种新的多信息融合模型,用于检测网络流量异常. 该模型通过结合卷积神经网络和AutoEncoder功能来增强安全性,以便更准确地识别网络威胁.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络工程 网络工程
背景情况:
- 网络流量异常检测对于在动态网络环境中保持安全运营至关重要.
- 现有方法在处理交通数据时可能会遭受信息丢失,这会影响检测准确度.
- 有效的特征提取是改善网络安全分析的关键.
研究的目的:
- 为增强网络流量异常检测提出一个多信息融合模型.
- 为了解决交通数据分析中的信息丢失问题.
- 提高网络安全检测系统的整体性能和准确性.
主要方法:
- 开发了一个新型模型,集成一个卷积神经网络 (CNN) 和一个AutoEncoder (AE).
- 美国有线电视新闻网直接从原始网络流量数据中提取功能.
- AE编码统计特征来补充信息丢失,创建一个融合特征表示.
主要成果:
- 拟议的模型有效地将原始流量数据特征与全球统计特征相结合.
- 这种集成的特征表示提供了对网络流量信息的更完整的视图.
- 实验结果表明,与经典机器学习方法相比,分类准确度更高.
结论:
- 多信息融合模型显著提高了网络流量异常检测性能.
- 这种方法为识别复杂网络环境中的异常提供了可靠的解决方案.
- 这些发现有助于通过改进的数据分析技术来推进网络安全.
