一種基于特征選擇的網(wǎng)絡(luò)流量異常檢測方法

一種基于特征選擇的網(wǎng)絡(luò)流量異常檢測方法論文提出了一種基于特征選擇的網(wǎng)絡(luò)流量異常檢測方法。該方法通過征選擇算法結(jié)合機(jī)器學(xué)習(xí)算法對網(wǎng)絡(luò)流量進(jìn)行分析、建模和檢測，可紹了網(wǎng)絡(luò)流量異常檢測的背景和意義。然后，對當(dāng)前網(wǎng)常檢測方法的研究現(xiàn)狀進(jìn)行了詳細(xì)的梳理和分析。接著，介紹安全；網(wǎng)絡(luò)流量異常檢測；特征選擇；機(jī)器學(xué)習(xí)算法件層出不窮。網(wǎng)絡(luò)流量異常檢前網(wǎng)絡(luò)安全領(lǐng)域非常重要的研究方向之一。網(wǎng)絡(luò)流量異常檢測可流量異常檢測學(xué)方法的網(wǎng)絡(luò)流量異常檢測主要是基于連續(xù)的流量時(shí)間序來進(jìn)行異常檢測，通過計(jì)算流量數(shù)據(jù)的平均值、標(biāo)準(zhǔn)差等統(tǒng)計(jì)指斷當(dāng)前的流量數(shù)據(jù)是否異常。該方法的優(yōu)點(diǎn)是簡單易行，但是絡(luò)流量異常檢測基于機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)流量異常檢測是當(dāng)前比較流行的一種方法。網(wǎng)絡(luò)流量數(shù)據(jù)看作高維的數(shù)據(jù)點(diǎn)，通過特征選擇算法和分類器型，判斷當(dāng)前的流量數(shù)據(jù)是否異常。常用的機(jī)器學(xué)習(xí)算法有KNNSVM，數(shù)據(jù)的規(guī)律和規(guī)律變化，但是也存在一些問題，比如：數(shù)據(jù)量量異常檢測著深度學(xué)習(xí)的發(fā)展，越來越多的研究工作開始將深度學(xué)應(yīng)用于網(wǎng)絡(luò)流量異常檢測中。目前，常用的深度學(xué)習(xí)算法包括卷網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、長短時(shí)記憶網(wǎng)絡(luò)(LSTM)等。該優(yōu)點(diǎn)是能夠自動(dòng)提取流量數(shù)據(jù)的特征，避免了手工特征選擇帶來。要是基于特征選擇算法和機(jī)器學(xué)習(xí)算法對網(wǎng)絡(luò)流量進(jìn)行建先需要從原始數(shù)據(jù)中提取出有效的特征，然后針對提取出行特征選擇，篩選出有區(qū)分性的特征，減少模型訓(xùn)練和檢測的征后，該方法采用機(jī)器學(xué)習(xí)算法建立模型。具體的算法可模型可以用于網(wǎng)絡(luò)流量的監(jiān)控和檢測。當(dāng)出現(xiàn)流量異常事法的有效性和實(shí)用性，我們使用了一份已有絡(luò)流量數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)測試。實(shí)驗(yàn)結(jié)果表明，該方法能夠較出網(wǎng)絡(luò)流量數(shù)據(jù)中的異常行為，同時(shí)運(yùn)行時(shí)間較短，具有較好一種基于特征選擇的網(wǎng)絡(luò)流量異常檢測方法。該方法通可以有效地識別出網(wǎng)絡(luò)中的異常行為，提高網(wǎng)絡(luò)安