基于数据增强的组合神经网络异常检测算法

网络异常检测作为网络安全领域的一种关键技术,目前还存在检测准确率、样本召回率低等问题。基于深度学习的异常检测是其代表方法之一,单一的深度学习模型无法完全提取网络数据的时间和空间特征,不能达到较好的网络异常检测效果。基于此提出了一种以串并联方式结合的卷积神经网络(convolutional neuralnetwork, CNN)和长短时记忆网络(long short-term memory, LSTM)组合神经网络异常检测算法,解决了单一模型无法学习网络数据时空特性的问题。由于不同类别的网络数据存在不均衡现象,导致检测结果偏向样本数量较多的正常类,且异常类型的召回率较低。因此,引入Borderline SMOTE算法合成和编辑最近邻(edited nearest neighbor, ENN)算法对少数类样本进行过采样,解决样本不均衡问题,进一步提高了网络异常检测算法的检测效果。实验结果表明,算法与传统的单一机器学习算法相比,在提高整体检测准确率的基础上,异常类型的召回率也有了较高的提升,为解决网络异常检测模型中的检测率和召回率等问题提供了一种可行的解决方案。