基于无监督学习的入侵流量检测分类

摘要

针对现有入侵流量检测模型对小样本分类准确率低的问题，提出了一种基于Wasserstein Divergence Objective for GANs (WGAN-div)和Information Maximizing Generative Adversarial Nets(Info GAN)的无监督学习入侵流量分类模型。首先，通过对不平衡的数据训练集进行过采样改善数据分布，然后对非数据部分进行独热编码处理并与数据部分整合，降低预处理复杂度，最后利用Info GAN模型进行数据训练，并在NSL-KDD、CICIDS2017、UNSW-NB15数据集进行性能评估和算法效能对比。实验结果表明，算法在多分类任务准确率分别达到91.0%、97.1%、79.9%,二分类任务准确率可达90.9%、96.9%、86.1%。相比于经典深度学习算法，Info GAN模型的准确率更高，误报率更低，具备较高的可靠性和工程应用价值。

关键词

入侵流量检测 / 生成对抗网络 / 过采样 / 不平衡数据集