基于半监督学习的无线网络攻击行为检测优化方法

发布时间：2023-11-17 18:52

　　针对如何优化深度学习技术在海量高维复杂的无线网络流量数据中有效发现异常攻击行为的问题,提出一种基于半监督学习的无线网络攻击行为检测优化方法(WiFi network attacks detection optimization method, WiFi-ADOM).首先基于无监督学习模型栈式稀疏自编码器提出2种网络流量特征表示向量:新特征值向量和原始特征权重值向量.然后利用原始特征权重值向量初始化监督学习模型深度神经网络的权重值得到网络攻击类型的预判结果,并通过无监督学习聚类方法Bi-kmeans对网络流量的新特征值向量进行聚类以生成未知攻击类型判别纠正项.最后结合预判结果和未知攻击类型判别纠正项,得到网络攻击类型的最终判定结果.通过和已有研究方法对比,在公开无线网络攻击行为数据集AWID上验证了WiFi-ADOM方法对网络攻击行为检测的优化性能,同时探索了与网络攻击检测相关的重要特征属性的问题.实验结果表明:WiFi-ADOM方法在保证准确率等检测性能的同时能够有效检测未知攻击类型,具备优化网络攻击行为检测的能力.

【文章页数】：12 页

【文章目录】：
1 相关工作
    1.1 网络入侵检测
    1.2 基于机器学习的网络入侵检测
2 网络流量数据特征表示模型
    2.1 SSAE模型
    2.2 网络流量数据特征表示向量
3 无线网络攻击行为检测优化方法
    3.1 WiFi-ADOM方法
        1) 攻击类型初步判别
        2) 未知攻击类型判别纠正项
    3.2 网络攻击行为检测流程
4 实验与结果
    4.1 数据集
        1) 数据有效化
        2) 数据均衡化
        3) 数据数值化
        4) 数据归一化
    4.2 聚类性能度量标准
    4.3 实验和结果
        1) 面向攻击行为检测的特征重要性分析
        2) 已知攻击类型检测性能分析
        3) 未知攻击类型检测性能分析
5 总 结



本文编号：3864694