基于LSTM与改进残差网络优化的异常流量检测方法

TP393.08; 传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低.为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流量检测方法.首先分析网络流量特征,通过预处理来降低网络流量特征值的差异性;然后设计了一种三层堆叠LSTM网络来提取不同深度的网络流量特征;最后设计了一种带跳跃连接线的改进残差神经网络对LSTM进行优化,改善了深度神经网络中的过拟合与梯度消失等缺点,从而提高网络异常流量检测的准确率.实验表明,所提方法具有较高的训练准确率,数据处理的可视性效果较好,二分类和多分类下的分类准确率分别为92.3％和89.3％.与当前入侵检测方...

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 42; no. 5; pp. 23 - 40
Main Authors 麻文刚, 张亚东, 郭进
Format Journal Article
LanguageChinese
Published 西南交通大学信息科学与技术学院,四川 成都 611756 25.05.2021
Subjects
异常流量检测
数据池化层
长短记忆网络
空洞卷积
改进残差神经网络
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2021109

Cover

Abstract TP393.08; 传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低.为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流量检测方法.首先分析网络流量特征,通过预处理来降低网络流量特征值的差异性;然后设计了一种三层堆叠LSTM网络来提取不同深度的网络流量特征;最后设计了一种带跳跃连接线的改进残差神经网络对LSTM进行优化,改善了深度神经网络中的过拟合与梯度消失等缺点,从而提高网络异常流量检测的准确率.实验表明,所提方法具有较高的训练准确率,数据处理的可视性效果较好,二分类和多分类下的分类准确率分别为92.3％和89.3％.与当前入侵检测方法相比,所提方法在精确率、召回率等参数最优时具有最低的误报率.在数据样本在遭到破坏时具有较强的稳健性,同时也具有较好的泛化能力.
AbstractList TP393.08; 传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低.为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流量检测方法.首先分析网络流量特征,通过预处理来降低网络流量特征值的差异性;然后设计了一种三层堆叠LSTM网络来提取不同深度的网络流量特征;最后设计了一种带跳跃连接线的改进残差神经网络对LSTM进行优化,改善了深度神经网络中的过拟合与梯度消失等缺点,从而提高网络异常流量检测的准确率.实验表明,所提方法具有较高的训练准确率,数据处理的可视性效果较好,二分类和多分类下的分类准确率分别为92.3％和89.3％.与当前入侵检测方法相比,所提方法在精确率、召回率等参数最优时具有最低的误报率.在数据样本在遭到破坏时具有较强的稳健性,同时也具有较好的泛化能力.
Author 张亚东
郭进
麻文刚
AuthorAffiliation 西南交通大学信息科学与技术学院,四川 成都 611756
AuthorAffiliation_xml – name: 西南交通大学信息科学与技术学院,四川 成都 611756
Author_FL MA Wengang
ZHANG Yadong
GUO Jin
Author_FL_xml – sequence: 1
  fullname: MA Wengang
– sequence: 2
  fullname: ZHANG Yadong
– sequence: 3
  fullname: GUO Jin
Author_xml – sequence: 1
  fullname: 麻文刚
– sequence: 2
  fullname: 张亚东
– sequence: 3
  fullname: 郭进
BookMark eNrjYmDJy89LZWBQNDTQMzS0NLXUz9LLLC7O0zM0MDDQNTE2q9AzMjAyNDSwZGHghIlFcDDwFhdnJhmYGhqbmxkYG3IyODydv-vJrj6f4BDfJzv6nk3Z-WL_7Gfrup9uX_d878Tnu-c82TPjac-057Nanu5perpjx7OtjS_b-58tbni2tfvZtJ3PNk_lYWBNS8wpTuWF0twMoW6uIc4euj7-7p7Ojj66xUDbjXVNzFKSLFNMk4xNk9LM0lIszYzNLMws0iwsjIyNkw1TTVJMDA2SUpMsDNKMLFOSzY2TzU3SkizMUpONjRLNjc0tjbkZVCHmlifmpSXmpcdn5ZcW5QFtjC-pqEgC-dXAFGiRMQBvjWQw
ClassificationCodes TP393.08
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.11959/j.issn.1000-436x.2021109
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
DocumentTitle_FL Abnormal traffic detection method based on LSTM and improved residual neural network optimization
EndPage 40
ExternalDocumentID txxb202105003
GrantInformation_xml – fundername: (国家自然科学基金资助项目); (中央高校基本科研业务费专项资金资助项目); (中国铁路总公司科技研究开发计划课题基金资助项目)
  funderid: (国家自然科学基金资助项目); (中央高校基本科研业务费专项资金资助项目); (中国铁路总公司科技研究开发计划课题基金资助项目)
GroupedDBID -0Y
2B.
4A8
92I
93N
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CUBFJ
GROUPED_DOAJ
PSX
TCJ
ID FETCH-LOGICAL-s1003-46db9d5b35bf6fd9636868f88233c1e4d410beb80f29dc73c74fb86ec32a73793
ISSN 1000-436X
IngestDate Thu May 29 04:00:48 EDT 2025
IsPeerReviewed false
IsScholarly true
Issue 5
Keywords 异常流量检测
数据池化层
长短记忆网络
空洞卷积
改进残差神经网络
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1003-46db9d5b35bf6fd9636868f88233c1e4d410beb80f29dc73c74fb86ec32a73793
PageCount 18
ParticipantIDs wanfang_journals_txxb202105003
PublicationCentury 2000
PublicationDate 2021-05-25
PublicationDateYYYYMMDD 2021-05-25
PublicationDate_xml – month: 05
  year: 2021
  text: 2021-05-25
  day: 25
PublicationDecade 2020
PublicationTitle 通信学报
PublicationTitle_FL Journal on Communications
PublicationYear 2021
Publisher 西南交通大学信息科学与技术学院,四川 成都 611756
Publisher_xml – name: 西南交通大学信息科学与技术学院,四川 成都 611756
SSID ssib051376031
ssj0002912165
ssib058759023
ssib001102965
ssib023646527
ssib023168036
ssib036439991
ssib050281523
ssib000968473
Score 2.318913
Snippet TP393.08; 传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低.为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流...
SourceID wanfang
SourceType Aggregation Database
StartPage 23
Title 基于LSTM与改进残差网络优化的异常流量检测方法
URI https://d.wanfangdata.com.cn/periodical/txxb202105003
Volume 42
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVHPJ
  databaseName: ROAD: Directory of Open Access Scholarly Resources
  issn: 1000-436X
  databaseCode: M~E
  dateStart: 19800101
  customDbUrl:
  isFulltext: true
  dateEnd: 99991231
  titleUrlDefault: https://road.issn.org
  omitProxy: true
  ssIdentifier: ssib058759023
  providerName: ISSN International Centre
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR1NaxUxcKkVxIsoKn6WCuZUXt1kN9nkZva9XYpYL7bQW9lPPT3BvkLpQVQUD5WKoEVU8OC9Fym2teKf6dvqv3Amb79ExQ94hCQ7M8nMbN5MNh9jWZcTmUeMp7yT8wgmKEkmO1GW2x0VezKDGXQszGXVszfEzLx7bYEvjB163Nq1tDyIp5PVX54r-R-tQh3oFU_J_oNma6JQAXnQL6SgYUj_Ssck4ESFxNckcDGVwfWbc7OmIKFAAkEU5BUJJPFDonys0QGRPmL6HuYDj_g9oqjJ-ER1DXqXKIkwEjICHymg7hqsLpHMZCT-gKAPYICuiPSIDE0TDm6gKB-ZRoEIdgNSh4zCXVYesUG0kT62GxJNkbjuES0QXmqiefVWICyw6VckoUHsowTsBsR0UdulSEq6ANJtU5EONlGJpf3pg1FctR8dkzYvK0JpjoDYFojKK0lrt9V3jkXttfpecyNQPDpEKQKAoj_CVIoCRkcyAw3osAWjiFJEMxgLRt2-UaPRnupNGUxgzi6Z8ntTAq9FFS1jg6f6XcdEcqytkctao463TYvTclJGV1z9bP4UV8b-If3piv7KNAqP2qqx-fVOzMHKSoxPbW7uzD3MwDhiBJTZe0F7lgs-TPv4tc1UszjOMPYZOEJNWbiCs9qrddDpVc2VTBxcWvAaa3qc4sasZjGawxRalaGsjEPFFGXUBIWtJXbEulTxe-V33JpjeP086t9qeYxzx61j5VRvUo_G7QlrbPX2Sevq8N3u_u46jtP97fXixc7XL2-KzbXhx82Dz88PPr3d33s1fLpx8PrRcO_hcHu72Hrw7cmz4v39Ymut2NgpPrw8Zc2HwVx3plNGMeksUdz46Yo0VimPHR7nIk_B4AkpZA4zW8dJaOamLrXjLJZ2zlSaeE7iuXksRZY4LPIcMJ-nrfH-nX52xpr0YpaKNIsTD79oUScCrMSlymVxlFManbUmSo4Xy3-ppcUfFHzuTwDnraPNQLtgjQ_uLmcXwesexBPmnfgOtNSfQQ
linkProvider ISSN International Centre
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8ELSTM%E4%B8%8E%E6%94%B9%E8%BF%9B%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C%E4%BC%98%E5%8C%96%E7%9A%84%E5%BC%82%E5%B8%B8%E6%B5%81%E9%87%8F%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E9%80%9A%E4%BF%A1%E5%AD%A6%E6%8A%A5&rft.au=%E9%BA%BB%E6%96%87%E5%88%9A&rft.au=%E5%BC%A0%E4%BA%9A%E4%B8%9C&rft.au=%E9%83%AD%E8%BF%9B&rft.date=2021-05-25&rft.pub=%E8%A5%BF%E5%8D%97%E4%BA%A4%E9%80%9A%E5%A4%A7%E5%AD%A6%E4%BF%A1%E6%81%AF%E7%A7%91%E5%AD%A6%E4%B8%8E%E6%8A%80%E6%9C%AF%E5%AD%A6%E9%99%A2%2C%E5%9B%9B%E5%B7%9D+%E6%88%90%E9%83%BD+611756&rft.issn=1000-436X&rft.volume=42&rft.issue=5&rft.spage=23&rft.epage=40&rft_id=info:doi/10.11959%2Fj.issn.1000-436x.2021109&rft.externalDocID=txxb202105003
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Ftxxb%2Ftxxb.jpg