王芳

摘 要 近年來入侵檢測模型在多分類任務(wù)中存在著分類準(zhǔn)確性低的問題，并且受到數(shù)據(jù)集中攻擊類型有限等因素的影響，本文借助深度學(xué)習(xí)方法，設(shè)計(jì)一種卷積神經(jīng)網(wǎng)絡(luò)（簡稱CNN）和長短時記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（簡稱LSTM）結(jié)合的用于網(wǎng)絡(luò)流量分類的入侵檢測模型。

關(guān)鍵詞 入侵檢測;深度學(xué)習(xí);流量分類

引言

隨著物聯(lián)網(wǎng)和5G的興起，一些新的網(wǎng)絡(luò)攻擊層出不窮，全球網(wǎng)絡(luò)安全態(tài)勢依舊嚴(yán)峻，網(wǎng)絡(luò)空間安全防護(hù)工作仍然任重而道遠(yuǎn)。通過對網(wǎng)絡(luò)流量進(jìn)行研究和分類，及時發(fā)現(xiàn)網(wǎng)絡(luò)中的異常流量，提高入侵檢測的效率成為網(wǎng)絡(luò)安全研究的重中之重。

本文使用深度學(xué)習(xí)技術(shù)開展網(wǎng)絡(luò)流量分類研究，解決傳統(tǒng)的基于統(tǒng)計(jì)和行為的網(wǎng)絡(luò)流量分類方法的特征設(shè)計(jì)問題，提高實(shí)際應(yīng)用中網(wǎng)絡(luò)流量異常檢測的性能。

1基于網(wǎng)絡(luò)流量分類的研究

1.1 基于CNN網(wǎng)絡(luò)流量分類模型的研究

（1） 數(shù)據(jù)集

澳大利亞網(wǎng)絡(luò)安全中心實(shí)驗(yàn)室創(chuàng)建的UNSW-15數(shù)據(jù)集[1]

（2） 模型設(shè)計(jì)和環(huán)境

用CNN對網(wǎng)絡(luò)流量數(shù)據(jù)的空間特征進(jìn)行處理，其網(wǎng)絡(luò)流量分類模型設(shè)計(jì)流程：

①對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行處理。②輸入訓(xùn)練集數(shù)據(jù)，通過卷積層、池化層、全連接層的處理，將數(shù)據(jù)輸入到分類器Softmax中，對網(wǎng)絡(luò)流量進(jìn)行分類。

本文采用MXnet深度學(xué)習(xí)框架，實(shí)驗(yàn)環(huán)境為Windows 7（64bit），數(shù)據(jù)集經(jīng)過處理轉(zhuǎn)化為16*16的二維矩陣，卷積核大小為3*3，池化層窗口為2*2，步長為2，激活函數(shù)采用Relu函數(shù)。

（3）實(shí)驗(yàn)分析

根據(jù)卷積核的數(shù)量可能會影響分類的準(zhǔn)確率的問題，進(jìn)行四組模型對比實(shí)驗(yàn)。第一組A：卷積核1個（4*4），第二組B：卷積核2個（4*4），第三組C：卷積核3個（4*4），第四組D：卷積核4個（4*4），batch_ size為32，迭代周期為20，Leaning Rate=0.01，使用隨機(jī)梯度下降。實(shí)驗(yàn)中采用分類正確率（Accuracy）衡量模型的質(zhì)量[2]，計(jì)算式如（1）：

（TP、FN分別為正確、錯誤分類的攻擊行為的樣本數(shù);TN、FP分別為正確、錯誤分類的正常行為的樣本數(shù)）。對實(shí)驗(yàn)結(jié)果進(jìn)行了定量分析，四組實(shí)驗(yàn)結(jié)果的準(zhǔn)確率分別為（%）：82.50、83.10、84.70、83.30。

實(shí)驗(yàn)對比結(jié)果表明：模型C的卷積核個數(shù)為3時，流量分類的準(zhǔn)確率最高。

1.2 基于LSTM網(wǎng)絡(luò)流量分類模型的研究

用LSTM技術(shù)對網(wǎng)絡(luò)流量數(shù)據(jù)的時序特征進(jìn)行處理，需要選擇合適的優(yōu)化算法，使得損失函數(shù)降到最低，讓模型性能達(dá)到最優(yōu)。

（1）模型結(jié)構(gòu)

網(wǎng)絡(luò)流量分類的過程為：

①對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行處理。②前向傳播，從輸入端開始，將處理好的流量序列輸入到模型中，對每一個樣本實(shí)例的輸出進(jìn)行計(jì)算，然后預(yù)測其所屬類別標(biāo)簽。③隨時間反向傳播。通過計(jì)算預(yù)測值和實(shí)際標(biāo)簽值之間的差距，微調(diào)整個模型的共享參數(shù)，通過迭代訓(xùn)練最終獲得較優(yōu)的分類模型。④檢測分類。輸入測試集中的數(shù)據(jù)到模型中，對每一條數(shù)據(jù)進(jìn)行分類，并預(yù)測流量類型。

（2）實(shí)驗(yàn)分析

根據(jù)隱藏層單元數(shù)影響分類的準(zhǔn)確率問題，進(jìn)行三組模型對比實(shí)驗(yàn)。第一組E：隱藏單元數(shù)5;第二組F：隱藏單元數(shù)10;第三組G：隱藏單元數(shù)20;第四組H：隱藏單元數(shù)30，batch_ size為64，迭代周期為30，Leaning Rate=0.01，激活函數(shù)：sigmoid，使用梯度下降算法。對實(shí)驗(yàn)結(jié)果進(jìn)行了定量分析，四組實(shí)驗(yàn)結(jié)果的準(zhǔn)確率分別為（%）：81.50、83.40、84.20、85.30。

通過對比實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)隱藏層單元數(shù)為30時，流量分類的準(zhǔn)確率最高。

2基于CNN和LSTM網(wǎng)絡(luò)流量分類的入侵檢測模型

僅僅從網(wǎng)絡(luò)流量數(shù)據(jù)的單一方面進(jìn)行考慮，會造成特征提取不充分，進(jìn)而影響模型分類正確性。結(jié)合網(wǎng)絡(luò)流量的空間特征和時序特征，設(shè)計(jì)基于CNN和LSTM網(wǎng)絡(luò)流量分類的模型，用于入侵檢測并提高入侵檢測的性能。

2.1 模型結(jié)構(gòu)

入侵模型大致分為三個部分：數(shù)據(jù)處理、模型訓(xùn)練、入侵檢測。

2.2 實(shí)驗(yàn)分析

該模型實(shí)驗(yàn)參數(shù)均使用模型C和模型H的參數(shù)。實(shí)驗(yàn)結(jié)果的準(zhǔn)確率（%）：CNN和LSTM（86.20）。

通過實(shí)驗(yàn)表明：基于CNN和LSTM網(wǎng)絡(luò)流量分類的模型正確率高于單個CNN模型和LSTM模型。

3結(jié)束語

本文對網(wǎng)絡(luò)流量具有空間特征和時序特征的特點(diǎn)，設(shè)計(jì)了基于CNN和LSTM網(wǎng)絡(luò)流量分類的入侵檢測模型，該模型提高了網(wǎng)絡(luò)流量分類的準(zhǔn)確率。當(dāng)然限于實(shí)驗(yàn)條件和自己知識水平的限制，召回率等其他方面的試驗(yàn)還在測試中，今后還需要進(jìn)一步努力和完善。

參考文獻(xiàn)

[1] Moustafa N，Slay J.Unsw-nb15：A comprehwnsive data set for network intrusion detection systems（unsw-nb15 network data set）[C].Military Communications and information Systems conference（MilCIS）.2015：1-6.

[2] 吳翰韜.基于深度學(xué)習(xí)的軌跡數(shù)據(jù)恢復(fù)研究[D].成都：電子科技大學(xué)，2018：43.