.png){kind=icon}
返回
DMSE: An efficient malicious traffic detection model based on deep multi-stacking ensemble learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06819-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在日益增长的网络安全威胁背景下，开发高效恶意流量检测模型以识别网络攻击已成为网络安全领域的迫切需求。本文提出了一种基于深度多堆叠集成学习的DMSE高效恶意流量检测模型，主要由特征表示模块、基础模型检测模块和多堆叠集成学习模块组成。在特征表示阶段，我们提出了一种新颖的RGB图像表示方法，通过将信息分配到RGB图像的三个通道中，分层表示网络流量的全局和局部特征。在基础模型检测阶段，我们采用五种不同的深度学习模型—CNN、TCN、LSTM、BiLSTM和BiTCN—作为第一阶段的预测基础模型。在多堆叠集成学习阶段，我们通过大量实验选择表现最佳的BiTCN作为元学习器，利用第一阶段的结果进行第二阶段预测，从而获得最终检测结果。在USTC-TFC2016、CTU和ISAC数据集上进行的实验表明，所提出的DMSE模型在准确率、F1分数、误报率（FPR）、真正例率（TPR）和稳定性方面显著优于现有的基于集成学习的检测模型。实验结果表明，所提出的DMSE模型能够有效识别和防御网络攻击，为维护安全网络环境提供了新的视角和技术支持。
Keyword:
Malicious traffic detection
Deep multi-stacking ensemble learning
Deep learning
Ensemble learning
Meta learner
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
A deep learning-based framework to identify and characterise heterogeneous secure network traffic基于深度学习的框架，用于识别和表征异构安全网络流量.png)
IF0
PREAI
分享收藏CDDA-MD: An efficient malicious traffic detection method based on concept drift detection and adaptation techniqueCdda-md: 一种基于概念漂移检测和自适应技术的高效恶意流量检测方法COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Multi-Objective Discrete Extremal Optimization of Variable-Length Blocks-Based CNN by Joint NAS and HPO for Intrusion Detection in IIoT多目标离散极值优化变长块基CNN的联合NAS和HPO入侵检测工业物联网
PREAI
分享收藏Enhanced detection of obfuscated malware in memory dumps: a machine learning approach for advanced cybersecurity增强对内存转储中混淆恶意软件的检测: 一种用于高级网络安全的机器学习方法CYBERSECURITY
OAAI
CYBERSECURITYIF3.7
OAAI分享收藏分享收藏
查看更多内容