计算机工程与科学

作者：尹春勇, 李荣标

单位：南京信息工程大学计算机学院、网络空间安全学院，江苏 南京 210044

关键词：异常检测,网络流量,卷积神经网络,长短期记忆,深度学习,

基金：国家自然科学基金(61772282)

在当前网络流量异常检测领域中普遍存在着模型结构复杂和计算资源需求大等问题，这导致在资源受限的设备上难以完成部署和检测。为此，提出了一种基于门控特征融合与多尺度卷积的网络流量异常检测模型GFMCAD。首先，将主成分分析与聚类方法相结合以降低网络流量数据的复杂度。其次，采用由一维卷积神经网络构成的并行多尺度卷积块与多层长短期记忆网络分别提取网络流量在不同尺度下的空间与时序特征。然后，通过门控特征融合模块将提取到的空间与时序特征进行自适应特征融合。最后，使用残差全连接层与Softmax函数识别异常流量。实验结果显示，GFMCAD在3个基准数据集上分别取得了0.971 6，0.965 8与0.987 5的准确率。实验结果表明，GFMCAD在降低计算资源消耗的同时提升了模型的检测能力。

来源：2025年第11期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第11期