典型文献
基于对比学习的细粒度未知恶意流量分类方法
文献摘要：
为了应对层出不穷的未知网络威胁和日益先进的逃逸攻击,针对恶意流量分类问题,提出了一种基于对比学习的细粒度未知恶意网络流量分类方法.所提方法基于变分自编码器,分为已知和未知流量分类2个阶段,分别基于交叉熵和重构误差对已知和未知恶意流量分类.与常规方法不同,该方法在各训练阶段中加入了对比学习方法,提高对小样本和未知类恶意流量的分类性能.同时,融合了再训练和重采样等方法,进一步提高对小样本类的分类精度和泛化性能.实验结果表明,所提方法分别提高了对小样本类20.3％和对未知类恶意类9.1％的细粒度分类宏平均召回率,并且极大地缓解了部分类上的逃逸攻击.
文献关键词：
网络流量分类;对比学习;变分自编码器;入侵检测
中图分类号：
作者姓名：
王一丰;郭渊博;陈庆礼;方晨;林韧昊
作者机构：
信息工程大学密码工程学院,河南郑州 450001;郑州大学计算机与人工智能学院,河南郑州 450001
文献出处：
引用格式：
[1]王一丰;郭渊博;陈庆礼;方晨;林韧昊-.基于对比学习的细粒度未知恶意流量分类方法)[J].通信学报,2022(10):12-25
A类：
B类：
对比学习,恶意流量,分类方法,网络威胁,逃逸,分类问题,网络流量分类,变分自编码器,交叉熵,重构误差,常规方法,训练阶段,小样本,知类,分类性能,重采样,本类,分类精度,泛化性能,细粒度分类,召回率,入侵检测
AB值：
0.233732
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。
