10.14132/j.cnki.1673-5439.2022.02.011
基于代价敏感度的改进型K近邻异常流量检测算法
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.
异常检测、无监督学习、K近邻算法、入侵检测系统
42
TP393.08;TN915.05(计算技术、计算机技术)
国家重点研发计划;国家自然科学基金
2022-06-27（万方平台首次上网日期，不代表论文的发表时间）
共8页
85-92
