基于扩张卷积神经网络的异常检测模型
Anomaly Detection Model Based on Extended Convolutional Neural Network作者机构:沈阳建筑大学电气与控制工程学院辽宁沈阳110168
出 版 物:《沈阳建筑大学学报(自然科学版)》 (Journal of Shenyang Jianzhu University:Natural Science)
年 卷 期:2024年第40卷第4期
页 面:738-744页
学科分类:08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划项目(2018YFF0300304-04) 辽宁省重点研发计划项目(2020JH2/10100039) 辽宁省教育厅高等学校基本科研项目重点项目(LJKZ0583) 沈阳市中青年科技创新人才支持计划项目(RC200026)
主 题:网络异常检测 扩张卷积神经网络 标签重定义 时序特性
摘 要:目的提出一种基于DCNN-MiLSTM的异常检测模型,解决传统的网络异常检测模型难以处理具有时序特征网络流量数据的问题。方法对原始流量数据的时间标签进行重定义,利用扩张卷积神经网络对整体特征进行提取,同时引入Mogrifier LSTM网络,对时序信息进行深层次挖掘。结果与其他异常检测模型相比,DCNN-MiLSTM模型的准确率达到99.12%,召回率为98.94%,F_(1)值为99.03%,各项指标均优于其他常见模型,提升了检测异常网络流量数据的能力。结论DCNN-MiLSTM模型可以更好地处理具有时序特征的流量,捕捉流量数据中的时间依赖关系和趋势,更有效地检测和识别出异常数据。