基于动态特征选择的恶意网络行为检测仿真

恶意网络行为检测中易受噪声数据干扰，影响检测效果。为了降低检测错误率，提出一种基于动态特征选择法的恶意网络行为检测方法。构建超融合架构，将网络数据输入到架构中，采用超融合框架中的自编码器对网络数据实行降维处理，运用改进的PCNN模型消除数据中存在的噪声，避免检测过程受到噪声干扰，提升检测准确率。采用动态特征选择法更新网络数据的特征权重值，利用特征加权熵完成特征选择，剔除权重值小于阈值的特征数据，动态选择重要的特征分量，降低检测时间，通过聚类算法识别出恶意行为簇，完成恶意网络行为检测。实验结果表明，所提方法的检测时间短、检测准确率高、检测错误率低，可以有效保证网络运行的安全性。