结合混合特征选择和Transformer的网络数据流异常检测

摘要

智能学习方法在网络数据异常分析中发挥着重要作用，但传统智能化异常分析方法难以在网络数据分析结果的可解释性、异常分析的计算资源消耗量、网络数据流序列数据分析准确度上寻得平衡。为克服以上问题，提出了一种结合混合特征选择和Transformer的网络数据流异常检测模型，基于混合特征选择方法进行数据预处理，基于改进的Transformer进行异常检测。采用树模型与互信息的混合特征选择算法对网络数据特征进行降维。采用Transformer的encoder部分作为分类任务的核心，并融入卷积操作来增强对网络数据流序列数据的局部感知能力，通过分类头进行输出。对所提方法进行了仿真实验，在公共入侵检测数据集CICIDS2017上进行验证，实验结果表明，该模型能对网络数据流异常进行有效检测，优于所对比的基于神经网络的入侵检测方法。

关键词

混合特征选择 / 随机森林 / 互信息 / 自注意力机制 / 异常检测