基于RF+TabNet的网络流量异常识别和检测

扫码查看

原文链接

万方数据
维普

中文摘要：在复杂网络环境下，处理传统的烟草系统网络流量数据往往会面临数据量大，特征维度高，特征相关性复杂度高，模型检测效率低等问题，本文使用了一种基于随机森林(Random Forest，RF)和 TabNet 网络模型结合的流量异常识别与检测方法。首先使用随机森林算法计算高维特征的特征权重，根据权重对特征进行降维处理，筛选出高权重特征，剔除低权重特征，再使用 TabNet 模型对特征进行高效的分类。为了评估模型的有效性与优越性，本文使用准确率和损失进行模型评价，并与其他网络流量异常检测模型 Tabular model、LSTM、CNN+LSTM、XGBoost 进行对比。使用公开数据集 CIC-IDS-2018 进行实验，结果表明，使用原始高维数据训练易使模型过拟合，使用降维后的数据，本文提出的模型在多分类任务和二分类任务中的识别准确率分别达 96。82%和 98。75%。该方法与其他深度学习算法相比，泛化能力强，在处理网络流量异常检测问题上具有良好的灵活性和有效性。

作者：

袁泉、胡锐、王建峰、杨欣宇

展开 >

作者单位：

江西省烟草公司江西 330009

江西省烟草公司吉安市公司江西 343009

关键词：

异常检测随机森林特征选择深度学习 TabNet

出版年：

2024

网络安全技术与应用

北京大学出版社

网络安全技术与应用

CHSSCD

影响因子：0.417

ISSN：1009-6833

年,卷(期)：2024.(12)