基于时空融合深度学习的工业互联网异常流量检测方法

摘要：

基于流量异常发现网络中的攻击行为具有普适性优势,而传统的异常流量检测方法难以适应大量复杂的工业互联网流量特征提取,针对此问题提出一种基于时空融合深度学习的工业互联网异常流量检测方法.对类别不平衡的流量数据进行预处理操作,以形成样本分布较为均衡的流量数据集;使用融合聚合残差变换网络和门控循环单元的深度学习模型从空间和时间维度上提取流量数据特征,实现时空融合的流量数据特征的综合提取;通过Softmax分类器对流量数据进行分类.实验测试结果表明,所提方法具有较高的准确率和F1值,分别可达到94.7％和95.47％.与传统的异常流量检测方法相比,所提方法提高了对工业互联网异常流量数据的检测指标,且模型的运行时间相对较短.

关键词：工业互联网、异常流量检测、时空融合、聚合残差变换网络、门控循环单元

所属期刊栏目：34

分类号：TP393(计算技术、计算机技术)

资助基金：教育部-中国移动科研基金MCM20150202

在线出版日期：2023-01-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1056-1064