基于代价敏感度的改进型K近邻异常流量检测算法

作者：李泽一; 王攀^*

来源：南京邮电大学学报(自然科学版), 2022, 42(02): 85-92.

DOI：10.14132/j.cnki.1673-5439.2022.02.011

• 异常检测
• 无监督学习
• K近邻算法
• 入侵检测系统

随着互联网的快速发展，网络安全越来越受到人们的重视。传统的异常流量检测模型虽然具有较好的识别率，但需要大量有标记的数据进行训练。因此，基于无监督学习的网络异常流量检测方法被广泛采用。近年来，随着深度学习算法在异常检测中的运用，无监督深度学习模型也不同程度地提升了检测算法的性能。然而，无监督深度学习方法往往无法避免异常检测阈值选择的问题。因此，针对现有数据标记困难和阈值选择的问题，文中提出了一种基于代价敏感度改进的K近邻算法结合阈值选择方法的异常流量检测系统。该系统不但可以准确识别恶意流量，也无需有标记数据集，极大减少了人工标注数据的工作量。实验使用UNSW-NB15、NSL-KDD和CICIDS2017数据集来验证模型的适用性，并分别与经典的机器学习算法One Class SVM以及深度学习方法AutoEncoder进行了对比。实验结果表明，在3类数据集上，与深度学习算法和传统的无监督机器学习算法相比，该算法有效提升了网络异常流量检测的性能。

• 单位
  南京邮电大学