![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于自适应集成学习的异常流量检测.pdf
《基于自适应集成学习的异常流量检测.pdf》由会员分享,可在线阅读,更多相关《基于自适应集成学习的异常流量检测.pdf(6页珍藏版)》请在咨信网上搜索。
1、信息安全研究第10 卷第1期2 0 2 4年1月Journalotinformatien Security ResearchVol.10No.1Jan.2024DOl:10.12379/j.issn.2096-1057.2024.01.06基于自适应集成学习的异常流量检测倪嘉翼陈伟2 童家铖李频1(南京邮电大学计算机学院、软件学院、网络空间安全学院南京2 10 0 2 3)2(江苏省大数据安全与智能处理重点实验室南京2 10 0 2 3)(njiayoutlook,com)Abnormal Traffic Detection Based on Adaptive Integrated Learn
2、ingNi Jiayil,Chen Weil.2,Tong Jiacheng,and Li Pin!1(School of Computer Science,Nanjing University of Posts and Telecommunications,Nanjing 210023)2(Jiangsu Key Laboratory of Big Data Security and Intelligent Processing,Nanjing 210023)Abstract We propose an adaptive integrate-learning-based anomalous
3、traffic detection method inthis paper that uses the discrete Fourier transform to extract the frequency domain features oftraffic,resulting in less information loss during the extraction of traffic features.An evaluationmetric based on stability and accuracy fluctuations is used to dynamically asses
4、s the reliability ofthe current traffic features,and the feature data blocks that pass the evaluation are used togenerate new sub-classifiers.Meanwhile,an integrated adaptive classifier is designed,whoseparameters and sub-classifiers are adjusted in real time according to the current situation.Theex
5、perimental results show that the method is effective for solving the concept drift problem inanomalous traffic detection and machine learning against attacks.Key words anomalous traffic detection;frequency domain feature;concept drift;integration learning;adaptive learning摘要提出了一种基于自适应集成学习的异常流量检测方法,使
6、用离散傅里叶变换提取流量的频域特征,使得对流量特征提取过程中信息损失较小.用一种基于稳定性和准确性波动的评估指标来动态评估当前流量特征的可靠性,通过评估的特征数据块用于生成新的子分类器.同时,设计了一种集成自适应分类器,其参数和子分类器会根据当前的情况进行实时调整.实验结果表明,该方法对于解决异常流量检测中的概念漂移问题和机器学习对抗攻击问题有良好的效果.关键词异常流量检测;频域特征;概念漂移;集成学习;自适应学习中图法分类号TP393.08随着互联网的普及,网络攻击事件也越来越频繁.近年来,中国遭受了一系列大规模网络攻击,包括 DDoS 攻击、APT(advanced persistent
7、threat)收稿日期:2 0 2 3-0 4-0 3基金项目:国家重点研发计划项目(2 0 19 YFB2101704)引用格式:倪嘉翼,陈伟,童家铖,等。基于自适应集成学习的异常流量检测J.信息安全研究,2 0 2 4,10(1):34-3934攻击等.黑客、病毒、木马、僵尸网络等威胁已经成为常态,针对个人和企业的攻击也越来越猬癫。近年来,基于机器学习的异常流量检测方法被学术论文.ResearchPapers大量提出 1-2 ,在实验中证明了各自的有效性.可将这些方法分为基于有监督学习的机器学习方法和基于无监督学习的机器学习方法2 种.基于监督学习的异常流量检测方法在实际应用中,由于难以获
8、取大量的标记数据,应用范围受到一定的限制,且无法检测未知攻击.基于无监督学习的机器学习方法对良性的流量进行特征学习,现有的方法主要有基于聚类的方法、基于自动编码器的方法等。但是部署到实际生产环境中时存在诸多问题.正常流量的特征在特征空间的分布会随着时间不断发生变化,每次训练后的模型在一段时间后就不再适用.对抗攻击也是检测模型效果降低的隐患.这需要一种方法不断更新模型以保证模型在现实网络中的可用性.大部分机器学习方法内部运算复杂,无法做到实时检测,需要一种高效的特征提取方法,在较小的计算开销下提取有效的特征.针对以上问题,本文提出了一种基于自适应集成学习的异常流量检测方法.该方法通过一系列数学变
9、换提取频域特征;通过集成无监督学习模型进行分类检测;可根据特征数据块的准确性和稳定性,对集成无监督学习模型进行子分类器的更新.1相关工作1.1吴异常检测方法文献 3 提出了一种基于炳聚类的粒度分类器,它可以看作是一种基于熵的支持函数机,并提出了一种基于对抗的遗传算法来优化粒分类器的设计参数.文献 4通过基于未修改的商用现成SDN交换机的自适应相关分析检测和抑制 DDoS攻击.通过识别可疑流中的攻击特征准确检测攻击,并通过自适应关联分析定位攻击者(或受害者)抑制攻击流量.此外,文献 5-7 使用卷积神经网络等深度学习方法提取特征用于入侵检测.监督机器学习方法不能检测出未知攻击,这在网络环境复杂的
10、今天显然不能满足需求,因此,无监督学习的异常流量检测方法相继问世.Zong等人 8 提出了一种用于无监督异常检测的深度自动编码高斯混合模型,该模型利用深度自动编码器为每个输人数据点生成低维表示和重构误差,并将其进一步输人高斯混合模型.Cal-legari等人 9 提出了2 种基于直方图的异常检测方法,它们对不同的流量特征进行分析,使用欧几里得距离和熵测量异常流量与正常行为的偏差无监督学习可以检测模型没有见过的未知恶意流量,然而对于正常流量进行建模可以学习到的特征有限.所以需要一种优异的特征提取方法使得普通机器学习模型可以进行高精确率的异常流量检测.Fu等人 10 1提出了一种实时的基于机器学习
11、的恶意流量检测系统Whisper,该系统利用频域特征实现高精度和高吞吐量.利用频域特征表示的序列信息减少信息损失,保证了较高的检测精度,同时约束特征的尺度,实现较高的检测吞吐量.1.2自自适应集成学习基于机器学习的入侵检测方法的特点是一旦训练结束,模型就会停止学习新的特征分布,在真实情况下,网络环境时刻都在发生变化,自适应集成学习的方法应运而生。Gao等人 11 提出了一种自适应投票算法,通过调整训练数据的比例和设置多个决策树构建一种多树算法.Farid等人 12 提出一种方法实现实时的数据流分类,该方法使用传统的数据挖掘分类器(带有聚类的决策树),并进行自动更新表示数据流中最新的概念.Wan
12、gl131提出了一种名为ENIDrift的快速自适应集成系统,用于处理实际漂移下的网络人侵检测.它使用基于Word2Vec的增量特征提取方法iP2V提取流量特征,使用一种评估方法G-idx评估当前的流量是否可靠并进行子分类器更新,在多种数据集上取得了较好的效果。2基于自适应集成学习的异常流量检测2.1系统框架图1示出本文提出的基于自适应集成学习的异常流量检测方法的基本结构,主要分为4个模块:模块A为时域特征提取;模块B为频域分析;模块C为集成无监督学习;模块D为自适应子分类器更新.2.2日时域特征提取从初始的流量文件中,提取每个数据包的关键特征(其中m为特征数量,n为数据包数量):S11S=:
13、(Sml网址http:/135S1mSmm)信息安全研究第10 卷第1期2 0 2 4年1月JournalofInformation Security BesearchVol.10No.1Jan.2024模块B频域分析模块A时域特征提取模块D自适应子分类器更新通过一。DindexDindex评估数据稳定性将特征空间编码,得到1维时域特征:D=Svb=511S1m(ui.om)T=(di.d.)T.Smm)2.3频域分析以固定的大小C将时域特征序列分割成等大序列组:G=(g1g)将特征序列组作为输人单位进行离散傅里叶变换:Xi=Zn=1i=1,2,k=1,2,C.通过欧拉公式得到其实部和虚部并取
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自适应 集成 学习 异常 流量 检测
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。