基于C²-GRU模型的网络数据流异常识别方法

摘要

【目的】随着网络规模的不断扩大及攻击手段的日益复杂，网络流量异常检测技术已成为保障网络安全的关键环节，对维护关键信息基础设施的稳定运行具有重要意义。然而，传统机器学习方法在复杂网络流量特征提取方面普遍存在收敛速度慢、特征表征精度不足等瓶颈，限制了其在实际异常检测场景中的应用效果。为此，本文提出了一种基于卷积神经网络（CNN）增强学习器与门控循环单元（GRU）的时空融合深度学习模型（C²-GRU）,旨在提升异常流量的多维度检测性能。【方法】设计了一种二次融合的深度学习框架，结合CNN对空间特征的提取能力与GRU对时间特征的建模优势。通过构建C-GRU模型实现初步的时空特征融合，并进一步与CNN级联形成C²-GRU模型；通过双重卷积并行提取时空特征，从而捕捉复杂网络环境下异常流量的多维特征。【结果】在KDD99数据集上的对比实验表明，C²-GRU模型的综合性能优于其他对比模型，该模型的准确率和AUC值分别达到99.89%和0.990 2,相较于单一CNN或GRU模型，检测性能显著提升。此外，与传统异常检测模型相比，该模型在实现高识别性能的同时，具备较短的模型运行时间，展现出更优的工程实用性。【结论】C²-GRU模型通过二次卷积融合策略，有效增强了时空特征的学习能力，能适应复杂网络环境下的异常流量检测需求。该模型在异常识别准确率与计算效率方面均具有优势，可为关键信息基础设施的安全防护提供技术支持，且能降低网络攻击引发的经济损失，对网络信息安全保障具有重要的实践参考价值。

关键词

异常识别 / 深度学习 / 卷积神经网络 / 门控循环单元 / 时空融合 / 机器学习 / 流量检测 / 数据流特征