尊彩彩票

<form id="aknjmsbdjka"></form>

<address id="aknjmsbdjka"><listing id="aknjmsbdjka"><meter id="aknjmsbdjka"></meter></listing></address>

        <em id="aknjmsbdjka"></em>

        <form id="aknjmsbdjka"></form>

          
          

              電子所務圖書館網站地圖所長信箱English中國科學院
               
              首頁機構概況科研成果研究隊伍國際交流科技合作研究生教育創新文化黨群園地科學傳播信息公開
                綜合新聞  
                圖片新聞  
                科研動態  
                學術活動  
                媒體報道  
              您現在的位置:首頁 > 新聞動態 > 科研動態
              基于字嵌入的可識別長流的分層注意力模型
              2019/08/02 | 作者:国家网络新媒体工程技术研究中心 韩陆超 | 【 【打印】【關閉】

                在網絡安全研究中,基于深度學習的入侵檢測方法因具有較強的檢測能力而受到越來越多的關注。然而,大部分基于深度學習的入侵檢測方法處理長度過長的網絡流量數據時能力不足,它們選擇只處理流量的包頭部分,忽略流量載荷中有價值的信息,因此當黑客把攻擊行爲隱藏在流量的載荷中時,這些入侵檢測方法就無法有效檢測到惡意流量。

                中科院聲學所國家網絡新媒體工程技術研究中心的博士生韓陸超等人提出了一種能夠檢測不同長度流量的注意力模型,以檢測基于流量載荷的惡意流量;同時設計了一種基于生成式對抗網絡(Generative Adversarial Networks, GAN)的流量生成模型,可以從原始數據集生成新的網絡流量數據,以增強數據的安全性並保護用戶隱私。相關研究成果2019624日在線發表于國際學術期刊 IEEE Access

                研究人員提出的分層注意力模型,可以從字節和數據包這兩個層面學習流量信息。該模型使用雙向GRU(Gated Recurrent Unit)構建字節表示,並通過注意機制給不同的字節分配不同的權重,一些與分類目標直接相關的關鍵字節在編碼過程中被賦予更多權重。數據包表示的構建與此類似,最後使用注意力機制彙總構建整個TCPTransmission Control Protocol)流的表示向量。

                在入侵檢測研究中經常遇到缺乏流量數據的問題,特別是在深度學習方法中,訓練數據的局限性嚴重限制了模型的訓練效果。此外,直接檢測現實用戶的網絡流量可能會侵犯用戶隱私。

                研究人員提出了Flow-WGANWasserstein GAN)流量生成模型,從原始數據集中生成新數據。這種模型的結構和提取信息的方法與分類器不同,因此可以從同一原始訓練集中學習新的特征並獲得具有全新數據的網絡流數據包。研究人員用此數據包來模擬新的網絡應用流量類型,以評估分類器的性能或改進分類器。

                基于ISCX-2012ISCX-2017數據集的實驗結果表明,與其他四種先進的深度學習方法相比,該分層注意力模型在准確性和真陽性率(true positive rateTPR)方面具有更高的性能,且該模型在檢測生成的數據包時所需訓練時間比當前最先進的HSAT-IDS惡意流量檢測模型減少30%

                 

                分層注意力模型的結構圖(圖/中科院聲學所)

                 

                流量生成模型的原理圖(圖/中科院聲學所)

                關鍵詞:

                網絡安全入侵檢測深度學習

                參考文獻:

                HAN Luchao, SHENG Yiqiang, ZENG Xuewen. A Packet-Length-Adjustable Attention Model Based on Bytes Embedding Using Flow-WGAN for Smart Cybersecurity. IEEE Access, 2019, 7: 82913 - 82926. DOI: 10.1109/ACCESS.2019.2924492.

                論文鏈接:

                https://ieeexplore.ieee.org/document/8744218

               
                相關新聞
              Copyright 2003-2016 中國科學院声学所 版权所有 备案序号:京ICP備16057196號 京公網安備110402500001號
              地址:北京市海淀区北四环西路21号中國科學院声学研究所  邮编:100190
              E-mail:ioa@mail.ioa.ac.cn
              热门关键词:尊彩彩票网址| 尊彩彩票网| 尊彩彩票安全可靠?| 尊彩彩票下载地址| 尊彩彩票如何刷彩金| 彩尊彩票官网| 尊彩彩票约请码| 尊彩彩票海南公司地址| 尊彩彩票平台是真的吗| 尊彩彩票手机版| 尊彩彩票安装| 尊彩彩票下载| 尊彩彩票安卓版| 尊彩彩票赚钱技巧| 尊彩彩票游戏大厅| 尊彩彩票app| 尊彩彩票网站| 尊彩彩票官网| 彩尊彩票平台| 尊彩彩票登录| 尊彩彩票官方网址| 尊彩彩票注册| 尊彩彩票ios苹果版| 尊彩彩票注册登录| 尊彩彩票主页| 尊彩彩票平台| 尊彩彩票网是不是假的| 尊彩彩票是真的吗|