一种基于自蒸馏的自适应恶意流量分类算法

摘要

针对目前已有文献中深度网络无法依据流量样本自适应选择网络层的问题,提出一种基于自蒸馏的自适应恶意流量分类算法。该方法首先将原始流量预处理后作为主干网络的输入,经自注意力网络层构建流量的权重分布,然后利用一维卷积神经网络提取流量分布中的显著特征作为后续网络输入。分支网络计算流量样本的熵值自适应选择网络层,若小于设定阈值则提前返回,否则由主干网络继续进行推理。经实验验证,该方法对于正常流量的平均检测率为99.9%,恶意流量的平均检测率为99.96%。恶意流量检测率较现有深度学习典型算法的检测率提升了2%,难样本检测率提升5%,且分支网络具有自适应功能,可避免后续的网络推理。