本次将会介绍有关《基于自适应合成采样和CNN-LSTM的网络异常流量检测模型》的进展情况。其中主要内容包括：

科研背景

随着攻击行为的不断升级和网络数据量的快速增长，再加上近年来内部威胁、零日漏洞、加密攻击等行为的出现，基于传统机器学习方法的网络异常流量检测模型已经难以应对这些新挑战。建立稳定、可靠、高精度且代价较小的网络异常检测模型来提高网络安全性，具有广阔的应用前景。近年来深度学习飞速发展，它可以学习样本数据的内在规律，在特征提取和模型建立方面效率更高。因此，网络安全领域的研究人员试图将深度学习算法应用到网络异常检测系统中。

科研问题

1.训练数据集的不平衡会影响模型的性能，导致少数类样本的高虚警率和高漏检率。

2.数据特征不能被完全提取，容易造成一些基本特征的丢失,从而影响分类模型的准确性。

科研目的

提出一种基于自适应合成采样和CNN-LSTM的网络异常检测模型，该模型：

1.采用数据增强算法，避免了模型对大样本敏感而忽略小样本，提高了网络异常检测模型对小样本的学习和识别能力；

2.利用神经网络分别提取网络流量数据的空间和时序特征。

实验流程

未来计划