网络异常流量检测方法、模型及系统

摘要

本发明提出一种基于残差门控循环单元(Re‑GRU)与集成动态极限学习(ELM)优化的网络异常流量检测方法、模型及系统。首先建立Fisher Score与最大信息系数的特征优化方法；其次将原有GRU候选隐状态激活函数改为非饱和激活函数，并在GRU候选隐状态中引入残差结构，从而避免梯度消失问题，使网络对梯度变化更敏感，达到缓解网络退化的目的。然后模型优化设计为双向残差GRU结构，使得模型提取网络流量特征性能更优越；最后提出两步博弈的集成动态ELM网络流量检测方法，利用全连接层与Dropout层缓解过拟合问题以提升检测精度，输出检测结果。本发明通过搭建实验仿真模型，根据不同参数对比结果验证有效性，相比于传统检测方法本发明在检测网络异常流量时具有更好的检测效果与精确率。