287KBDOCX

“基于CGAN-LSTM的无监督网络异常流量检测算法”

该文档关注的是基于Conditional Generative Adversarial Networks-Long Short Term Memory（CGAN-LSTM）的无监督网络异常流量检测算法。该算法旨在解决现有的无监督异常检测算法的局限性，如没有关注网络流量这类时间序列数据在时间上的依赖关系、没有从时间周期的角度对网络异常流量进行检测。

该算法使用LSTM结构的生成器和判别器学习正常样本的数据特征，使用时间周期信息指导生成器G生成样本，最后同时使用生成器的重构误差和判别器的判别结果判别测试样本。

该文档的主要贡献包括：（1）提出使用基于注意力机制的多层LSTM网络捕获时间上的依赖关系，并将其嵌入到CGAN框架中，以保证模型充分学习到样本在时间上的依赖关系；（2）提出使用时间周期信息作为条件指导生成器生成数据，解决了误判问题，同时也解决了传统GAN模型直接对先验分布进行随机采样以及中间模拟的方式过于自由而导致模型不可控的问题；（3）提出同时使用生成器的重构误差和判别器的判别结果进行网络异常流量检测。

在相关研究中，无监督异常流量检测算法由于训练过程不需要有标签的网络流量数据而更适用于实际应用场景，是一种理想的流量异常检测算法。该文档对基于聚类的无监督异常检测算法、基于自编码器的无监督异常检测算法和基于GAN的无监督异常检测算法进行了分类介绍。

基于聚类的无监督异常检测算法的不足之处在于需要根据对数据的先验经验提前选择合适的k值，缺乏理论支持。基于自编码器的无监督异常检测算法的不足之处在于仍有部分异常样本的重构误差潜伏在正常误差水平中，导致模型准确率较低。基于GAN的无监督异常检测算法的不足之处在于没有考虑网络流量这类时序在时间上的依赖关系。

本文提出基于CGAN-LSTM的无监督网络异常流量检测算法旨在解决现有的无监督异常检测算法的局限性，并且该算法的主要贡献在于使用基于注意力机制的多层LSTM网络捕获时间上的依赖关系、使用时间周期信息指导生成器生成数据和同时使用生成器的重构误差和判别器的判别结果进行网络异常流量检测。

资源下载

此资源下载价格为9.9金币，请先登录

资源声明（购买视为同意此声明）：
1.在网站平台的任何操作视为已阅读和同意网站底部的注册协议及免责声明，本站资源已是超低价，且不提供技术支持
2.部分网络用户分享网盘地址有可能会失效，如发生失效情况请发邮件给客服code711cn#qq.com (把#换成@)会进行补发
3.本站站内提供的所有可下载资源（软件等等）本站保证未做任何负面改动；但本网站不能保证资源的准确性、安全性和完整性，用户下载后自行斟酌，我们以交流学习为目的，并不是所有的源码都不是100%无错或无bug；需要您有一定的基础能够看懂代码，能够自行调试修改代码并解决报错。同时本站用户必须明白，源码便利店对提供下载的软件等不拥有任何权利，其版权归该资源的合法拥有者所有。
4.本站所有资源仅用于学习及研究使用,请必须在24小时内删除所下载资源，切勿用于商业用途，否则由此引发的法律纠纷及连带责任本站和发布者概不承担
5.因资源可复制性，一旦购买均不退款，充值余额也不退款