Une approche d'extraction de caractéristiques temporelles multi-échelle pour la détection des anomalies du trafic réseau

Avec l'avancement rapide de la technologie réseau et l'expansion de l'échelle de l'Internet, les données de trafic réseau ont augmenté de manière exponentielle, entraînant des problèmes de sécurité réseau de plus en plus importants. De nombreux chercheurs développent de nouveaux modèles de détection d'anomalies du trafic réseau, mais ces modèles ont du mal à capturer efficacement les caractéristiques temporelles multi-échelle des données de trafic réseau et à apprendre la corrélation et l'importance entre les différentes dimensions des caractéristiques. À cet effet, nous proposons un réseau de caractéristiques temporelles multi-échelle (MSTFN-AM) basé sur un mécanisme d'attention. Le MSTFN-AM intègre les données originales avec des informations temporelles à travers le module d'encodage de position temporelle et extrait des caractéristiques temporelles multi-échelle grâce au module d'extraction de caractéristiques temporelles. Le module d'attention temporelle auto-adaptative peut identifier efficacement les dépendances et les corrélations entre différents points temporels. Enfin, les expériences menées sur deux ensembles de données publics démontrent que le modèle MSTFN-AM surpasse tous les modèles de référence en termes de performance de prévision.