典型文献
基于代价敏感度的改进型K近邻异常流量检测算法
文献摘要：
随着互联网的快速发展,网络安全越来越受到人们的重视.传统的异常流量检测模型虽然具有较好的识别率,但需要大量有标记的数据进行训练.因此,基于无监督学习的网络异常流量检测方法被广泛采用.近年来,随着深度学习算法在异常检测中的运用,无监督深度学习模型也不同程度地提升了检测算法的性能.然而,无监督深度学习方法往往无法避免异常检测阈值选择的问题.因此,针对现有数据标记困难和阈值选择的问题,文中提出了 一种基于代价敏感度改进的K近邻算法结合阈值选择方法的异常流量检测系统.该系统不但可以准确识别恶意流量,也无需有标记数据集,极大减少了人工标注数据的工作量.实验使用UNSW-NB15、NSL-KDD和CICIDS2017数据集来验证模型的适用性,并分别与经典的机器学习算法One Class SVM以及深度学习方法AutoEncoder进行了对比.实验结果表明,在3类数据集上,与深度学习算法和传统的无监督机器学习算法相比,该算法有效提升了网络异常流量检测的性能.
文献关键词：
异常检测;无监督学习;K近邻算法;入侵检测系统
中图分类号：
作者姓名：
李泽一;王攀
作者机构：
南京邮电大学现代邮政学院,江苏南京 210003
文献出处：
引用格式：
[1]李泽一;王攀-.基于代价敏感度的改进型K近邻异常流量检测算法)[J].南京邮电大学学报（自然科学版）,2022(02):85-92
A类：
B类：
代价敏感,改进型,异常流量检测,检测算法,检测模型,识别率,无监督学习,网络异常流量,深度学习算法,异常检测,无监督深度学习,深度学习模型,深度学习方法,检测阈值,阈值选择,近邻算法,选择方法,准确识别,恶意流量,需有,记数,UNSW,NB15,NSL,KDD,CICIDS2017,验证模型,机器学习算法,One,Class,AutoEncoder,无监督机器学习,入侵检测系统
AB值：
0.303927
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
