典型文献
基于不定长卷积神经网络的恶意流量分类算法
文献摘要：
在当今信息爆炸、网络快速发展的时代,网络攻击与网络威胁日益增多,恶意流量识别在网络安全中发挥着非常重要的作用.深度学习在图像处理、自然语言处理上已经展现出优越的性能,因此有诸多研究将深度学习应用于流量分类中.将深度学习应用于流量识别时,部分研究对原始流量数据进行截断或者补零操作,截断操作容易造成流量信息的部分丢失,补零操作容易引入对模型训练无用的信息.针对这一问题,本文提出了一种用于恶意流量分类的不定长输入卷积神经网络(Indefinite Length Convolutional Neural Network,ILCNN),该网络模型基于不定长输入,在输入时使用未截断未补零的原始流量数据,利用池化操作将不定长特征向量转化为定长的特征向量,最终达到对恶意流量分类的目的.基于CICIDS-2017数据集的实验结果表明,ILCNN模型在Fl-Score上的分类准确率能够达到0.999208.相较于现有的恶意流量分类工作,本文所提出的不定长输入卷积神经网络ILCNN在F1-Score和准确率上均有所提升.
文献关键词：
恶意流量;流量分类;卷积神经网络;不定长输入
中图分类号：
作者姓名：
杨璇;邬江兴;赵博
作者机构：
东南大学网络空间安全学院 南京 中国 211189;国家数字交换系统工程技术研究中心 郑州 中国 450002;中国人民解放军战略支援部队信息工程大学 郑州 中国 450001
文献出处：
引用格式：
[1]杨璇;邬江兴;赵博-.基于不定长卷积神经网络的恶意流量分类算法)[J].信息安全学报,2022(04):90-99
A类：
不定长输入,Indefinite,ILCNN
B类：
长卷,流量分类算法,信息爆炸,网络攻击,网络威胁,恶意流量识别,自然语言处理,学习应用,流量数据,补零,模型训练,无用,Length,Convolutional,Neural,Network,未补,池化操作,长特,特征向量,CICIDS,Fl,Score,分类准确率,分类工作
AB值：
0.226974
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。
