计算机应用

作者：林志兴, 王立可

单位：1. 三明学院 网络中心, 福建 三明 365004;2. 福建师范大学 数学与信息学院, 福州 350007;3. 中国科学院 成都计算机应用研究所, 成都 610041

关键词：网络态势,深度特征合成,自动编码器,Seq2Seq模型,双向长短期记忆网络

基金：国家自然科学基金资助项目（61771140）；2018年福建省科技厅自然科学基金资助项目（2018J01560）；2017年福建省中青年教师教育科研项目（JAT170552）；四川省科技计划项目（2018GZDZX0041，2019ZDZX0005，2019ZDZX0006）。

针对目前大多数的网络态势预测方法不能挖掘数据中的深度信息且需要手动提取与构造特征的问题，提出了深度特征网络态势预测方法DFS-Seq2Seq。首先将网络流、日志和系统事件等产生的数据进行清洗处理，使用深度特征融合算法自动合成深度关系特征，然后采用自动编码器对合成的特征进行提取，最后使用长短期记忆网络（LSTM）构建Seq2Seq模型对数据进行预测。通过设计缜密的实验在公开数据集Kent2016上对所提方法进行验证，结果显示在深度为2时与支持向量机（SVM）、贝叶斯、随机森林（RF）和LSTM这四种分类模型相比，其召回率分别提升了7.4%、11.5%、6.5%、3.0%。实验结果表明DFS-Seq2Seq可以在实际应用中有效地识别网络身份验证中的危险事件，对网络态势作出有效的预测。

来源：2020年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第8期