基于 CB-CNN与分割残差优化的列控系统网络攻击流量检测

摘要：

复杂环境中的列控系统容易遭到各类网络流量攻击,现有的攻击流量检测方法往往特征选择差、稳定性较弱,导致检测精度较低.为此,提出一种通道增强卷积神经网络与分割残差优化的攻击流量检测方法.首先通过降噪式自动编码器对正常流量进行建模,同时使用无监督训练将原始特征空间转换为重构特征空间;然后利用通道增强使相关误差向量转化为分类器的多通道输入变量;最后为增加神经网络的特征表示多样性,设计一种多路径的分割残差网络来优化CB-CNN,通过学习不同维度级别的流量特征来优化分类.实验结果表明:所提方法具有较好的训练性能,NSL-KDD数据集与真实铁路安全网络中获得的平均精确率分别为94.573％与96.78％.在误报率较低的同时均具有较好的分类可视化效果.综合对比其他检测方法,提出方法检测实时性较好,能够适用于复杂场景的列控系统网络攻击检测,在噪声存在时具有较好的鲁棒性.

关键词：列控系统、攻击流量检测、降噪自编码器、特征重构、通道增强、分割残差

所属期刊栏目：45

分类号：TP393.08(计算技术、计算机技术)

资助基金：中央高校基本科研业务费;中国铁路总公司科技研究开发计划;中国铁路总公司科技研究开发计划

在线出版日期：2023-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：62-76