基于CWGAN-GP平衡化的网络恶意流量识别方法

摘要：

在网络恶意流量识别任务中,存在恶意流量样本数量与正常流量样本比例不平衡问题,从而导致训练出的机器学习模型泛化能力差、识别准确率低.为此,在网络流量图片化的基础上提出一种利用具有梯度惩罚项的条件Wasserstein生成对抗网络(CWGAN-GP)对少量数据类进行平衡的分类方法.该方法首先借助网络流量图片化方法将原始流量PCAP数据按照流为单位进行切分、填充、映射到灰度图片中;然后使用CWGAN-GP方法实现数据集的平衡;最后,在公开数据集USTC-TFC2016和CICIDS2017上使用CNN模型对不平衡数据集和平衡后的数据集进行分类测试.实验结果表明,使用CWGAN-GP的平衡方法在精确度、召回率、F1这3个指标上均优于随机过采样、SMOTE、GAN以及WGAN平衡方法.

关键词：条件Wasserstein生成对抗网络、数据平衡、流量扩充、流量识别

所属期刊栏目：51

分类号：TN915.08;TP181

资助基金：甘肃省高等学校产业支撑计划项目2020C-29

在线出版日期：2022-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：760-765