基于特征约简与多层极限学习机的网络流量异常检测

摘要：

针对网络流量异常检测目前存在的数据维度大、冗余数据较多、准确率较低等问题,提出一种基于层次聚类和自编码器并结合多层极限学习机的网络流量异常检测模型.首先考虑数据特征之间的相关性,根据数据特征之间的相似性距离对特征维度进行层次聚类划分,将相关性较高的特征划分到同一特征子集中;然后利用自动编码器对每个特征子集进行约简,消除冗余信息降低检测数据计算量;最后以多层极限学习机作为分类器,利用约简后的特征数据进行网络流量异常检测建模.实验结果显示,文中模型在UNSW-NB15数据集上准确率达到了0.992,精确率达到了0.997.与其他检测方法相比,文中方法可以有效地约简数据特征,提高了检测的准确率和网络流量异常检测的性能.

关键词：网络流量;异常检测;多层极限学习机;层次聚类;特征约简;冗余信息消除

所属期刊栏目：45

分类号：TN711-34;TP3(基本电子电路)

资助基金：国家自然科学基金U1833114

在线出版日期：2022-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：84-89