基于深度学习的网络Web异常流量检测方法

为了灵敏感知网络环境态势,提高用户隐私数据安全性,提出基于深度学习的网络Web异常流量检测方法。利用数据平面开发工具包设计Web流量采集架构,设置环境抽象层、内存管理层、调试组件等核心部件,实时捕获流量包;对流量数据数值化和归一化过程预处理,选用Daubechiesl小波函数对数据信号做离散小波变换,设定滑动窗口,分解数值序列,结合平均值、标准差和能量占比等特征参数,从数值序列中提取异常流量特征;利用长短时记忆网络学习特征向量,获得不同特征的时序关系,引入注意力机制对异常检测贡献度较高的特征赋权,构建多层感知机网络,输出最终检测结果。仿真实验表明,所提方法可同时满足高检测率和低虚警率的要求,为Web网络安全提供保障。