《基于网络流量分类的入侵检测研究》由会员分享，可在线阅读，更多相关《基于网络流量分类的入侵检测研究（3页珍藏版）》请在金锄头文库上搜索。
1、 基于网络流量分类的入侵检测研究 王芳摘 要 近年来入侵检测模型在多分类任务中存在着分类准确性低的问题，并且受到数据集中攻击类型有限等因素的影响，本文借助深度学习方法，设计一种卷积神经网络（简称CNN）和长短时记忆循环神经网络（简称LSTM）结合的用于网络流量分类的入侵检测模型。关键词 入侵检测;深度学习;流量分类引言随着物联网和5G的兴起，一些新的网络攻击层出不穷，全球网络安全态势依旧严峻，网络空间安全防护工作仍然任重而道远。通过对网络流量进行研究和分类，及时发现网络中的异常流量，提高入侵检测的效率成为网络安全研究的重中之重。本文使用深度学习技术开展网络流量分类研究，解决传统的基于统计和行为
2、的网络流量分类方法的特征设计问题，提高实际应用中网络流量异常检测的性能。1基于网络流量分类的研究1.1 基于CNN网络流量分类模型的研究（1） 数据集澳大利亚网络安全中心实验室创建的UNSW-15数据集1（2） 模型设计和环境用CNN对网络流量数据的空间特征进行处理，其网络流量分类模型设计流程：对网络流量数据进行处理。输入训练集数据，通过卷积层、池化层、全连接层的处理，将数据输入到分类器Softmax中，对网络流量进行分类。本文采用MXnet深度学习框架，实验环境为Windows 7（64bit），数据集经过处理转化为16*16的二维矩阵，卷积核大小为3*3，池化层窗口为2*2，步长为2，激活
3、函数采用Relu函数。（3）实验分析根据卷积核的数量可能会影响分类的准确率的问题，进行四组模型对比实验。第一组A：卷积核1个（4*4），第二组B：卷积核2个（4*4），第三组C：卷积核3个（4*4），第四组D：卷积核4个（4*4），batch_ size为32，迭代周期为20，Leaning Rate=0.01，使用随机梯度下降。实验中采用分类正确率（Accuracy）衡量模型的质量2，计算式如（1）：（TP、FN分别为正确、错误分类的攻击行为的样本数;TN、FP分别为正确、错误分类的正常行为的样本数）。对实验结果进行了定量分析，四组实验结果的准确率分别为（%）：82.50、83.10、84.
4、70、83.30。实验对比结果表明：模型C的卷积核个数为3时，流量分类的准确率最高。1.2 基于LSTM网络流量分类模型的研究用LSTM技术对网络流量数据的时序特征进行处理，需要选择合适的优化算法，使得损失函数降到最低，让模型性能达到最优。（1）模型结构网络流量分类的过程为：对网络流量数据进行处理。前向传播，从输入端开始，将处理好的流量序列输入到模型中，对每一个样本实例的输出进行计算，然后预测其所属类别标签。随时间反向传播。通过计算预测值和实际标签值之间的差距，微调整个模型的共享参数，通过迭代训练最终获得较优的分类模型。检测分类。输入测试集中的数据到模型中，对每一条数据进行分类，并预测流量类型
5、。（2）实验分析根据隐藏层单元数影响分类的准确率问题，进行三组模型对比实验。第一组E：隐藏单元数5;第二组F：隐藏单元数10;第三组G：隐藏单元数20;第四组H：隐藏单元数30，batch_ size为64，迭代周期为30，Leaning Rate=0.01，激活函数：sigmoid，使用梯度下降算法。对实验结果进行了定量分析，四组实验结果的准确率分别为（%）：81.50、83.40、84.20、85.30。通过对比实验发现，当隐藏层单元数为30时，流量分类的准确率最高。2基于CNN和LSTM网络流量分类的入侵检测模型仅仅从网络流量数据的单一方面进行考虑，会造成特征提取不充分，进而影响模型分类
6、正确性。结合网络流量的空间特征和时序特征，设计基于CNN和LSTM网络流量分类的模型，用于入侵检测并提高入侵检测的性能。2.1 模型结构入侵模型大致分为三个部分：数据处理、模型训练、入侵检测。2.2 实验分析该模型实验参数均使用模型C和模型H的参数。实验结果的准确率（%）：CNN和LSTM（86.20）。通过实验表明：基于CNN和LSTM网络流量分类的模型正确率高于单个CNN模型和LSTM模型。3结束语本文对网络流量具有空间特征和时序特征的特点，设计了基于CNN和LSTM網络流量分类的入侵检测模型，该模型提高了网络流量分类的准确率。当然限于实验条件和自己知识水平的限制，召回率等其他方面的试验还在测试中，今后还需要进一步努力和完善。参考文献1 Moustafa N，Slay J.Unsw-nb15：A comprehwnsive data set for network intrusion detection systems（unsw-nb15 network data set）C.Military Communications and information Systems conference（MilCIS）.2015：1-6.2 吴翰韬.基于深度学习的轨迹数据恢复研究D.成都：电子科技大学，2018：43. -全文完-
