无监督自适应抽样与改进孪生网络结合的网络流量异常检测方法

来源：电子与信息学报杂志2025年第7期北京时间：

作者：尹梓诺, 陈鸿昶, 马海龙, 胡涛, 白禄鑫

单位：1.信息工程大学信息技术研究所 郑州 4500012.网络空间安全教育部重点实验室 郑州 450001

摘要：针对基于传统机器学习的网络流量异常检测方法受流量数据类别不平衡的影响检测性能较差的问题，该文提出一种无监督自适应抽样与改进孪生网络结合的网络流量异常检测方法。首先，设计基于K-medoids的自适应小样本抽样算法(KAFS)，利用无监督聚类对各类流量动态自适应地抽取更具代表性的少量样本，使正常和攻击流量均衡，提高训练小样本学习模型的数据质量。然后，构建具有鲁棒损失函数的孪生多层感知机(SMLP)模型用于流量异常检测，该模型利用两个相同结构的多层感知机对训练集中的成对流量样本进行训练，捕捉跨流量特征的非线性关系，学习流量数据的异同，进一步提高对攻击流量的分类精度。实验结果表明，所提方法在CICIDS2017和CICIDS2018数据集上的检测准确率分别可达99.80%和98.26%。与其他方法相比，该方法对未知攻击的检出率分别提高了至少2.85%和1.73%，有效提升流量异常检测性能。

关键词：网络流量异常检测, 类别不平衡, 自适应抽样, 孪生多层感知机

基金资助：雄安新区科技创新专项 (2022XAGG0111)，国家自然科学基金(62176264)