计算机应用

作者：肖斌, 甘昀, 汪敏, 张兴鹏, 王照星

单位：1.西南石油大学 计算机与软件学院，成都 610500；2.西南石油大学 电气信息学院，成都 610500；3.中国石油川庆钻探工程有限公司，成都 610066

关键词：异常流量检测,注意力机制,数据不平衡,轻量级网络,通道空间注意力模块

基金：四川省科技计划项目(2022JDRC0009);西南石油大学自然科学“启航计划”项目(2022QHZ023)

网络异常流量检测是网络安全保护重要组成部分之一。目前，基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待，忽略了端口号的重要性。为了提高异常流量检测性能，借鉴注意力思想，提出一个卷积神经网络（CNN）结合端口注意力模块（PAM）和通道空间注意力模块（CBAM）的网络异常流量检测模型。首先，将原始网络流量作为PAM的输入，分离得到端口号属性送入全连接层，得到学习后的端口注意力权重值，并与其他流量属性点乘，输出端口注意力后的流量数据；其次，将流量数据转换成灰度图，利用CNN和CBAM更充分地提取特征图在通道和空间上的信息；最后，使用焦点损失函数解决数据不平衡的问题。所提PAM具有参数量少、即插即用和普遍适用的优点。在CICIDS2017数据集上，所提模型的异常流量检测二分类任务准确率为99.18%，多分类任务准确率为99.07%，对只有少数训练样本的类别也有较高的识别率。

来源：2024年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第4期