基于机器学习的网络异常流量检测方法_张晓艳1
需积分: 0 88 浏览量
2022-08-03
12:54:55
上传
评论 2
收藏 1.4MB PDF 举报
现代电子技术
Modern Electronics Techni que
2015 年 12 月 1 日
第 38 卷第 23 期
Dec. 2015
Vol. 38 No. 23
d oi：1 0.16652/j.issn.1004⁃373x.2015.23.021
0 引 言
随着互联网技术的飞速发展，互联网环境也逐渐变
得复杂。网络中每时每刻充斥着大量的异常流量数据，
威胁着人们的计算机安全，小到个人财产安全，大到国
家安全。目前现实的复杂网络中的异常流量种类较多，
有 Alpha Anomaly 异常流 量 、DDos 异常 流 量、Port Scan
异常 流量、Network Scan 异常流量等恶意行为，也有来
自于如路由问题、链路故障等网络软硬件故障。因此现
在对网络异常流量检测的难度也不断加大，而研究新型
网络 异常流 量方法，应对层 出不穷的网络异常 流量类
型，提高检测识别效率和检测准确率，已然成为现在的
热点问题之一
[1]
。
1 网络异常流量检测系统
1 .1 网络异常流量类型
异 常 网 络 流 量 类 型 主 要 有 Alpha Anomaly 异常 流
量、DDos 异常流量、Port S can 异常流量、Network Scan 异
常 流 量 、Worms 异 常 流 量 以 及 Flash Crowd 异 常 流 量
等。可用于检测异常流量的主要流特征有目的端口总
数、目的 IP 总数、源端口总数、源 IP 总数、字节数以及分
组数等
[2]
。各个异常网络流量类型的具体含义和用于检
测异常流量的流特征如下：
（1）Alpha Anomaly 异常流量指高速点对点非正常
数据传输行为，可用于检测 Alpha Anomaly 异常流量的
流特征有字节数和分组数。
（2）DDos 异常流量指对目标地址的分布式的拒绝
服务攻击行为，可用于检测 DDos 异常流量的流特征有
分组数、源 IP 地址、流计数以及目的 IP 地址。
基于机器学习的网络异常流量检测方法
张晓艳
（云南经济管理学院，云南 昆明 650106）
摘 要：研究一种基于机器学习的网络异常流量检测方法。使用改进型 ANFIS 算法作为建立的网络异常流量检测方
法的核心算法。由于传统的神经网络算法使用的梯度下降算法在实际应用时，存在易陷入局部极小值，训练效率低下等问
题，因此研究的改进型 ANFIS 算法使用附加动量算法修正模型参数，使系统能够越过误差曲面的局部最小值。最后使用
KDD CUP99 数据库以及 LBNL 实验室测试的数据对改进型 ANFIS 算法和 BP 神经网络算法的检测方法进行性能测试。结果
表明，使用改进型 ANFIS 算法检测系统的训练效率以及检测准确率均优于使用 BP 神经网络算法建立的模型。
关键词：机器学习；ANFIS；BP 神经网络；网络异常流量检测
中图分类号：TN711⁃34；TP393 文献标识码：A 文章编号：1004⁃373X（2015）23⁃0076⁃0 4
Research on network anomaly traffic detection method base d on mac hine learning
ZHANG Xiaoyan
（Yunnan College of Business Management，Kunming 650106，China）
Abstract：A network anomaly traffic d etection method based on machine learning is studied，in which the improved ANFIS
algorithm is taken as the core algorithm. Since the gradient de scent algori thm adopted by traditional neural network algorithm
has the defects o f easy t o fall into local minimum and low training efficiency in practical applic ation，the additional momentum
algorithm i s adopted by the improved ANFIS algorithm to modify the model parameters，which makes the system can cross the local
minimum of the error surface. The performance of the test met hods for the i mproved A NFIS algorithm and BP neural network al⁃
gorithm is tested by using KDD CUP99 database and the data tested by LBNL laboratory. The te st results show that the training
efficiency an d test precision of the test system with the improve d ANFIS algorithm are better than that of the model established
by BP neural network.
Keywords：machine learning；ANFIS；BP neural network；network anomaly traffic detection
收稿日期：2015⁃07⁃28
7 6
7 6
评论0