在數(shù)字化和網(wǎng)絡(luò)化迅猛發(fā)展的時代，網(wǎng)絡(luò)安全問題日益突出，傳統(tǒng)惡意流量檢測方法已難應(yīng)對復(fù)雜攻擊。本文提出了一種基于知識遷移的惡意流量檢測方法，以提高檢測的準確性和適應(yīng)性。知識遷移利用已學知識處理新任務(wù)，提高了學習效率和性能。為了更好地實現(xiàn)對惡意流量的檢測，本文通過對比決策樹、隨機森林、支持向量機和卷積神經(jīng)網(wǎng)絡(luò)（CNN）對NSL-KDD數(shù)據(jù)集的測試結(jié)果，發(fā)現(xiàn)CNN模型在準確率和F1值上顯著優(yōu)于其他模型。本文進一步結(jié)合知識遷移的思想，將ImageNet數(shù)據(jù)集上預(yù)訓練好的模型VGG16和ResNet50，利用其已經(jīng)學習好的特征檢測能力，凍結(jié)預(yù)訓練模型的權(quán)重，并在此基礎(chǔ)上添加自定義的全連接層和輸出層以適應(yīng)對新的數(shù)據(jù)集CICIDS2017的處理。實驗表明知識遷移后的模型在新數(shù)據(jù)集上對惡意流量檢測的準確率超過99%，且訓練時間和數(shù)據(jù)需求顯著減少，證明了知識遷移在惡意流量檢測中的有效性。
名家名篇
北京市公安局海淀分局備案號：11010802023656號
今日頭條
官方微信
官方抖音
