融合ResNet和SRU的网络数据流实时异常流量检测技术

摘要

【目的】随着工业互联网的快速发展，网络流量中的异常检测已成为保障网络安全的关键任务。然而，传统机器学习方法在特征提取和泛化能力方面存在明显不足，难以应对高维度、多样化及海量的网络流量数据。为解决上述问题，本文提出一种融合简单循环单元(simple recurrent unit, SRU)与改进型残差网络(residual network, ResNet)的异常流量检测模型。该模型通过联合提取网络流量的时序与空间特征，旨在提升检测的准确性与效率，同时缓解过拟合与梯度消失等问题，为网络异常检测提供一种更高效、可靠的解决方案。【方法】构建了一个基于SRU与改进型ResNet融合的深度学习模型。SRU网络负责筛选数据并提取时间序列特征，通过遗忘门与重置门实现高效的并行计算，显著提升训练速度；改进型ResNet采用空洞残差结构，引入空洞卷积以扩展感受野，增强空间特征提取能力，并缓解梯度消失问题。两种网络的融合使模型能够全面学习网络流量中的时空特征。为评估模型性能，选用KDD Cup 99数据集进行二分类实验，并与其他主流模型进行对比分析。【结果】实验结果表明，所提出的ResNet-SRU模型在KDD Cup 99数据集上获得了98.89%的分类准确率和98.66%的精确率，较CNN-LSTM、ResNet-GRU和CNN-GRU等对比模型提升约1%。此外，该模型在训练过程中表现出更快的收敛速度和更高的稳定性。在准确率、精确率、召回率及AUC值上均优于其他模型，验证了其在异常流量检测任务中的有效性与鲁棒性。尽管模型在训练与测试时间上略有增加，但检测性能的显著提升弥补了其计算开销。【结论】基于ResNet与SRU融合的异常流量检测方法，在处理高维网络流量数据时展现出优越的特征提取能力与分类性能。通过结合空洞残差结构的空间建模优势与SRU的时间特征学习能力，有效弥补了传统模型在特征表达和泛化能力方面的不足。然而，该模型在参数规模和运行成本方面仍存在优化空间。未来研究将重点关注模型结构的轻量化设计，提高对不平衡样本的检测性能，并进一步降低计算资源消耗，以增强其在实际网络环境中的应用价值。

关键词

异常流量检测 / 长短记忆网络 / 空洞残差 / 时空融合 / 序列模型 / 特征优化