在數(shù)字化和網(wǎng)絡(luò)化迅猛發(fā)展的時(shí)代，網(wǎng)絡(luò)安全問題日益突出，傳統(tǒng)惡意流量檢測(cè)方法已難應(yīng)對(duì)復(fù)雜攻擊。本文提出了一種基于知識(shí)遷移的惡意流量檢測(cè)方法，以提高檢測(cè)的準(zhǔn)確性和適應(yīng)性。知識(shí)遷移利用已學(xué)知識(shí)處理新任務(wù)，提高了學(xué)習(xí)效率和性能。為了更好地實(shí)現(xiàn)對(duì)惡意流量的檢測(cè)，本文通過對(duì)比決策樹、隨機(jī)森林、支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)NSL-KDD數(shù)據(jù)集的測(cè)試結(jié)果，發(fā)現(xiàn)CNN模型在準(zhǔn)確率和F1值上顯著優(yōu)于其他模型。本文進(jìn)一步結(jié)合知識(shí)遷移的思想，將ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練好的模型VGG16和ResNet50，利用其已經(jīng)學(xué)習(xí)好的特征檢測(cè)能力，凍結(jié)預(yù)訓(xùn)練模型的權(quán)重，并在此基礎(chǔ)上添加自定義的全連接層和輸出層以適應(yīng)對(duì)新的數(shù)據(jù)集CICIDS2017的處理。實(shí)驗(yàn)表明知識(shí)遷移后的模型在新數(shù)據(jù)集上對(duì)惡意流量檢測(cè)的準(zhǔn)確率超過99%，且訓(xùn)練時(shí)間和數(shù)據(jù)需求顯著減少，證明了知識(shí)遷移在惡意流量檢測(cè)中的有效性。
名家名篇
北京市公安局海淀分局備案號(hào)：11010802023656號(hào)
今日頭條
官方微信
官方抖音
