基于不定长卷积神经网络的恶意流量分类算法

摘要：

在当今信息爆炸、网络快速发展的时代,网络攻击与网络威胁日益增多,恶意流量识别在网络安全中发挥着非常重要的作用.深度学习在图像处理、自然语言处理上已经展现出优越的性能,因此有诸多研究将深度学习应用于流量分类中.将深度学习应用于流量识别时,部分研究对原始流量数据进行截断或者补零操作,截断操作容易造成流量信息的部分丢失,补零操作容易引入对模型训练无用的信息.针对这一问题,本文提出了一种用于恶意流量分类的不定长输入卷积神经网络(Indefinite Length Convolutional Neural Network,ILCNN),该网络模型基于不定长输入,在输入时使用未截断未补零的原始流量数据,利用池化操作将不定长特征向量转化为定长的特征向量,最终达到对恶意流量分类的目的.基于CICIDS-2017数据集的实验结果表明,ILCNN模型在Fl-Score上的分类准确率能够达到0.999208.相较于现有的恶意流量分类工作,本文所提出的不定长输入卷积神经网络ILCNN在F1-Score和准确率上均有所提升.

关键词：恶意流量、流量分类、卷积神经网络、不定长输入

所属期刊栏目：7

分类号：TP393.0;TP183(计算技术、计算机技术)

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：90-99