基于深度学习的网络流量异常检测算法优化研究

摘要

随着大数据、人工智能等网络技术在人们生产生活中的常态化应用，网络流量安全成为当前亟待解决的问题。本文提出了一种基于深度学习的网络流量异常检测算法优化方法。采用卷积神经网络(convolutional neural network, CNN)+长短期记忆(long short-term memory, LSTM)网络组合模型进行局部特征提取和时间序列建模，并通过数据增强和生成对抗网络(generative adversarial nets, GANs)扩展训练样本，提升模型的泛化能力。实验选用了入侵检测数据集(NSL-KDD)和入侵检测评估数据集(CICIDS 2017)进行评估，结果表明：该模型在检测精度、召回率和漏报率等指标上表现出色，特别是在复杂流量模式下具备较高的适应性和鲁棒性，为提高网络安全防护提供参考。

关键词

异常检测 / 深度学习 / 卷积神经网络(CNN) / 长短期记忆(LSTM)网络 / 生成对抗网络(GANs)