本次将会介绍有关《基于小波变换和CNN-GRU的网络异常流量检测》的进展情况。主要内容如下：

科研背景：

随着计算机网络通信技术的飞速发展，计算机网络之间需要传输大量信息，为了提高网络资源的传输效率，掌握网络运行规律和异常网络状态，有必要对网络流量进行分析和预测，以便更有效地进行网络安全监控和安全评估。同时也出现了一系列攻击，网络入侵检测的任务是发现可疑攻击，并采取相应措施保护网络免受持续攻击，减少经济损失。流量分类是网络入侵检测的一项重要任务。

科研问题：

1.网络流量是非平稳数据，存在突变的几率高，现有的模型在数据突变时，应对能力不强。

2.网络流量存在周期性，忽略周期性带来的影响，可能会使预测精度下降。

3.现有的异常流量检测方法在时间和空间维度的结合较少。

科研目的：

提出一个基于小波变换和CNN-GRU的网络异常流量检测模型，该模型：

1.采用小波变化，小波对于突变信号的灵敏度很高，适合处理像网络流量这样的非平稳数据，能够提高在数据突变时预测的精度。

2.将一段时间内的数据视为整体，令数据从1D转化2D，利用CNN学习周期性的特征，作为异常流量监测判断的一个因素。

3.利用神经网络提取网络流量空间、时间上的特征。

实验流程：

未来计划：

预测模块：周期划分部分，学习特征，对于数据进行对比，精度不高，仍需要修改进行完善。

分类模块：计划考虑效率问题，现有数据维度过多，模型训练较慢，消耗资源大，而每一类攻击只会在某几类维度中有较为明显的特征，学习出每一类攻击对应最为凸显的几个维度进行模型训练，可以提高效率，但是现在只是出于计划阶段。