| 176 | 0 | 129 |
| 下载次数 | 被引频次 | 阅读次数 |
由于通信网络流量特征在微观尺度以及宏观尺度上所反映的特性均有所不同，因此在流量异常检测时，通常会因忽略了不同尺度下的特征融合而导致检测精度较低。针对这种情况，我们提出了一种基于无监督机器学习的通信网络流量异常检测方法。结合线性判别分析法，根据流量数据的特征重要性对类内散度矩阵以及类间散度矩阵进行加权处理。对投影矩阵进行求解，实现流量数据特征降维。构建CNN特征金字塔结构，将降维后含不同尺度的特征图通过上采样操作进行拼接，并引入自适应机制，对卷积核的大小进行动态调整，对流量数据特征进行多尺度融合。采用轮廓系数法对最佳聚类数进行选择，并通过计算观测值到质心的距离，对通信网络流量数据进行聚类处理，最后计算每个类别下的异常分数，结合阈值判断结果实现异常流量检测。在实验中，对提出的方法进行了检测精度的检验，最终的测试结果表明，采用所提出的方法对通信网络流量进行异常检测时，算法的流量特征覆盖度较高，具备较为理想的检测精度。
Abstract：[1] JAVAHERI D,GORGIN S,LEE J A,et al.Fuzzy logic-based DDoS attacks and network traffic anomaly detection methods:Classification,overview,and future perspectives[J].Information Sciences,2023,626:315-338.
[2] 霍帅，师智斌，窦建民，等.动态生成Shapelet的网络流量异常检测[J].计算机工程与设计，2024,45(5):1337-1342.
[3] 周政雷，陈俊，潘俊涛，等.基于并行深度森林的配用电通信网络异常流量检测[J].华东师范大学学报(自然科学版),2023(5):122-134.
[4] 陈万志，赵林，王天元.特征增强的改进LightGBM流量异常检测方法[J].电子测量与仪器学报，2024,38(3):195-207.
[5] 李橙，何孙秦，卫星，等.基于孤立森林算法的弹性光网络异常流量自动识别方法[J].激光杂志，2024,45(1):179-183.
[6] 潘志安，庞国莉，刘庆杰.基于机器学习的舰船通信网络流量异常检测方法[J].舰船科学技术，2023,45(21):213-216.
[7] 林同灿，葛文翰，王俊峰.基于对齐原型网络的小样本异常流量分类[J].四川大学学报(自然科学版),2024,61(3):9-20.
[8] 王婷，王其兵，何志方，等.基于改进的一维级联神经网络的异常流量检测[J].计算机应用与软件，2023,40(9):320-326.
[9] 秦中元，马楠，余亚聪，等.基于双重图神经网络和自编码器的网络异常检测[J].信息网络安全，2023,23(9):1-11.
[10] 任立胜，陈红红，包永红.基于流量行为特征的网络异常稳定识别仿真[J].计算机仿真，2023,40(8):403-407.
[11] 肖斌，甘昀，汪敏，等.基于端口注意力与通道空间注意力的网络异常流量检测[J].计算机应用，2024,44(4):1027-1034.
[12] 戴千一，张斌，郭松，等.基于多分类器集成的区块链网络层异常流量检测方法[J].通信学报，2023,44(3):66-80.
[13] 潘成胜，李志祥，杨雯升，等.基于二次特征提取和BiLSTM-Attention的网络流量异常检测方法[J].电子与信息学报，2023,45(12):4539-4547.
[14] 宣萍，房朝辉，丁宏.基于自注意力机制的网络流量异常检测方法[J].安徽大学学报(自然科学版),2023,47(1):24-28.
[15] 郭森森，王同力，慕德俊.基于生成对抗网络与自编码器的网络流量异常检测模型[J].信息网络安全，2022,22(12):7-15.
[16] 李沛洋，李璇，陈俊杰，等.面向规避僵尸网络流量检测的对抗样本生成[J].计算机工程与应用，2022,58(4):126-133.
[17] HAN D,ZHOU H,WENG T H,et al.LMCA:a lightweight anomaly network traffic detection model integrating adjusted mobilenet and coordinate attention mechanism for IoT[J].Telecommunication Systems,2023,84(4):549-564.
[18] 张志红.无线传感网络高级持续性威胁隐蔽信道智能检测算法[J].北部湾大学学报，2025,40(2):33-40.
基本信息:
DOI：10.19703/j.bbgu.2096-7276.2025.06.0005
中图分类号:TP181;TN915.06
引用信息:
[1]郑湘辉,张雪冰.基于无监督机器学习的通信网络流量异常检测方法[J].北部湾大学学报,2025,40(06):44-51.DOI:10.19703/j.bbgu.2096-7276.2025.06.0005.
基金信息:
安徽省高校自然科学重点研究项目：机器学习在网络异常检测中的应用(2024AH051795)、基于深度学习的城市道路数据要素编码与数据智能整合研究(2024AH051792); 安徽省高等学校省级质量工程项目：计算机网络技术教学创新团队(2023cxtd252)
2025-12-16
2025-12-16