一种基于深度学习的网络异常行为检测方法

◆李铮 傅阳

（1.中国电子科技集团公司第十研究所 四川 610036；2.电子科技大学计算机科学与工程学院 四川611731）

随着云计算、大数据、人工智能等技术的快速发展，各行各业的信息化程度越来越高，逐步向数字化网络方向发展。各类行业互联网快速形成和使用，提供了丰富的数据资源、计算资源和服务资源等网络内容，网络已经成为人类社会的重要基础设施和各国的重要战略资源。然而伴随新技术的使用、智能设备的引入、数据共享及平台互联的趋势，网络环境成了黑客攻击的热点，其面临的安全风险和安全问题更加严峻。同时，由于智能化因素的加入，使得网络攻击手段更加多样、隐蔽和快速演变，越来越多的新型网络攻击不断出现，对现有网络入侵检测技术提出了巨大挑战[1]。

传统网络攻击检测主要依赖于特征和规则，无法自动利用历史数据，及时发现最新攻击。目前，有许多论文中使用了机器学习和深度学习的方法来实现网络安全状态感知，取得了较好的效果。但由于网络日志数据规模巨大但质量较差，具有不完备特性，既存在宏观上的大量冗余数据和特征，又存在微观上的大量数据值缺失，导致现有方法存在历史数据利用率低、训练时间开销大、模型精度低等问题，无法满足实际业务需要[2]。

为此，本文提出了一种基于深度学习的网络异常行为检测方法，实现对不完备网络数据进行补全和冗余属性约简，并结合深度学……