基于CVAE-CatBoost的工业控制网络异常流量检测研究 |
| |
作者姓名: | 张子宣 宗学军 何戡 连莲 |
| |
作者单位: | 1. 沈阳化工大学信息工程学院;2. 辽宁省石油化工行业信息安全重点实验室 |
| |
基金项目: | 辽宁省“兴辽英才计划”(XLYC2002085); |
| |
摘 要: | 为解决工业控制网络异常流量检测中存在的数据分布不均衡、现有模型检测率低的问题,提出一种基于条件变分自编码器(CVAE)和CatBoost算法的异常流量检测模型。CVAE引入标签信息作为约束条件,控制生成样本的类别。CatBoost算法通过引入无偏估计克服梯度偏差,提高预测的准确性,同时采用多种树的生长方式降低过拟合的风险。使用CVAE进行数据增强,扩充稀有攻击样本,构建分布均匀的平衡数据集。将CatBoost算法作为异常流量检测模型,对Dos、Fuzzers等攻击样本进行精确识别并输出分类结果。实验结果表明:在UNSW-NB15数据集上,利用CVAE进行数据增强后,CatBoost算法对少数类样本的F1值平均提升了25.16个百分点,整体精确率、召回率和F1值分别达到87.85%、87.87%和87.86%;在ZYELL_NCTU NetTraffic_1.0数据集上,利用CVAE进行数据增强后,CatBoost算法对少数类样本的F1值平均提升了16.32%,整体精确率、召回率和F1值均达到99.85%。该模型能够有效避免数据不均衡问题,相较K近邻、随机森林、卷积神经网络等机器学习和深...
|
关 键 词: | 工业控制网络 异常检测 数据不平衡 条件变分自编码器 CatBoost算法 |
|