一种基于半监督学习的网络异常流量检测方法

摘要

针对网络流量数据存在标记样本获取困难、实际数据类别不平衡等问题，提出一种合成数据增强的半监督网络异常流量检测方法(SEASAND)。SEASAND利用无标记数据辅助模型学习，只需少量的有标签数据即可达到较高识别准确率，降低了训练成本。考虑一致性正则和熵最小化原则，通过混合采样解决网络流量数据不平衡的问题，并采用混合样本算法对样本进行二次数据增强，提高了对无标记数据的利用效率。最后利用一维残差网络Resnet1D-18对数据增强后的数据集进行训练。SEASAND在KDDCup99-10、UNSW-NB15、CICIDS2017数据集上进行仿真实验，结果表明，与相关算法对比，SEASAND在少样本、多分类问题上具有较好的性能，降低了对有标记样本量的需求。

关键词

半监督学习 / 网络异常流量检测 / 混合采样 / 数据不平衡