基于半监督学习的无线网络攻击行为检测优化方法

王 婷 王 娜 崔运鹏 李 欢

1(中国农业科学院农业信息研究所 北京 100081) 2(农业农村部农业大数据重点实验室(中国农业科学院农业信息研究所) 北京 100081) 3(96962部队 北京 102206)

无线局域网技术和移动通信设备的迅猛发展使得WiFi网络环境逐渐普及并融入人们的生活，这同时也使得WiFi成为网络攻击的目标. “蹭网”、“无线钓鱼”等无线网络犯罪事件时有发生，引发了个人数据被泄露、篡改等信息安全隐患，甚至导致巨大的经济损失.腾讯手机管家发布的《2018年手机安全报告》中显示，2018年中国公共WiFi的数量近7.37亿，而风险WiFi高达46.08%.网络攻击行为的不断演化和升级使得WiFi环境下的网络安全问题愈发严峻，成为信息安全的全新困局.

网络入侵检测是目前应用最广泛也最有效的以数据驱动的网络安全主动防御方法，基于实时网络流量数据建立相应的攻击评测机制，从而实现对攻击行为的检测和预防.传统的入侵检测方法通常是通过对比已构建的网络行为模式或规则来检测当前网络连接属于正常状态还是攻击风险状态.随着互联网环境的更新换代，网络流量数据呈现出海量、高维、复杂的特点，直接用来进行攻击行为模式发现十分困难.传统的网络入侵检测方法出现检测效率低下、准确率较低、误报率和漏报率较高的问题，已不能满足网络信息安全的需求.

机器学习算法的优化和高性能计算能力的发展给网络攻击行为检测带来了新的思路和方法.深度学习……