Resumen

Con el rápido desarrollo y la amplia aplicación de la computación en la nube, las redes abiertas de computación en la nube y los escenarios de intercambio de servicios se han vuelto más complejos y cambiantes, lo que ha provocado que los desafíos de seguridad sean más severos. Como un medio efectivo de protección de redes, la detección de tráfico de red anómalo puede detectar diversos ataques conocidos. Sin embargo, también existen algunas limitaciones. El aprendizaje profundo brinda una nueva oportunidad para el desarrollo adicional de la detección de tráfico de red anómalo. Hasta ahora, los modelos existentes de aprendizaje profundo no pueden aprender completamente las características temporales y espaciales del tráfico de red y su precisión de clasificación necesita ser mejorada. Para llenar este vacío, este artículo propone un modelo de detección de tráfico de red anómalo que integra características temporales y espaciales (ITSN) utilizando una estructura de red paralela de tres capas. ITSN aprende las características temporales y espaciales del tráfico y fusion

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Computación en nube; Protección de redes; Detección de anomalías; Aprendizaje profundo; Características temporales; Características espaciales.
• Keywords:Cloud computing; Network protection; Anomaly detection; Deep learning; Temporal features; Spatial features