基于不定长卷积神经网络的恶意流量分类算法
2022-10-29 10:19:01   来源：    点击：

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(IndefiniteLength 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F1-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。