基于端口互动模式的入侵检测模型

针对链路层的海量高速数据流、信息易被伪装、较小异常流量占比等特征,提出了一种基于端口互动模式量化模型的入侵检测模型。为提高入侵检测模型的精度和效率,提出了一种从初始流量中获取流量特征的新方法,并重点探讨如何以流量到达时间分布作为一维特征。使用相空间重构、可视化等方法证明了模型的有效性,并进一步根据长会话和短会话各自的特征设计了基于卷积层和长短时记忆层的改进神经网络,用以挖掘正常和异常流量端口互动模式之间的差异。在此基础上,设计了多模型评分机制下的改进入侵检测算法,对模型空间内的会话进行流量分类。所提出的量化模型和改进算法在提高计算效率的同时,能够有效避免伪装身份信息的情况,降低神经网络训练成本,提升小样本异常检测精度。     

一种基于流量聚类性和切分性的改进异常检测模型

针对链路层异常检测中，由固定反馈时间点而导致的计算量积压以及大量无意义的采样流量数据等现象，提出了一种基于流量特征值的改进异常检测模型，重点探讨如何通过反馈计算机制实现周期内计算任务的合理优化和缩减采样数据。一方面，在对流持续时间的聚类性进行了深入分析并给出其可能聚类的最优簇基础上，将统一的反馈时间分散到各个聚类时间点；另一方面，基于流时序的可切分性对流量数据进行周期划分，并设计拟合函数对周期内流量特征进行量化表达。在此基础上，设计了改进反馈机制和异常检测算法流程。仿真实验表明，所提出的模型和算法不仅通过优化反馈计算时间提高了检测精度，而且通过降低采样数据冗余提高了检测效率。