基于SOINN增量自编码器的网络异常检测研究

针对批量学习的网络异常检测模型存在内存资源消耗大、无法在线更新的问题，利用自组织增量神经网络(self-organizing incremental neural network, SOINN)的增量学习特性，提出一种增量自编码器构建方式，将改进SOINN的输出神经元作为自动编码器的输入，使得模型在不破坏已有学习成果的基础上，具备增量更新能力。针对SOINN算法获胜神经元邻居节点学习率固定，不利于区分其与输入样本的相似性的问题，提出一种学习率自适应调整方法，来提升获胜神经元邻居节点的学习效率，使得算法输出神经元更能代表样本特性。针对反馈更新样本中正常样本纯度不高的问题，提出一种基于距离度量的样本标签筛选机制，通过计算反馈样本与神经元的距离来对正常样本进行筛选，使得反馈样本中正常样本比例更高，以此来提升模型的在线检测效果。在NSL-KDD数据集上开展了相关实验，实验证明所提方法具备增量学习能力，且改进SOINN的增量学习效果优于原始算法，有效节省了模型的运算和存储开销，通过基于距离的样本标签筛选机制，模型的在线检测能力有效提升。