改进EfficientNet图像分类的恶意流量检测模型

作者：周子云; 黄洪^*

来源：四川理工学院学报(自然科学版), 2023, 36(06): 49-56.

• 恶意流量
• 注意力机制
• EfficientNet
• ECA
• 准确率

基于深度学习流量图像分类的恶意流量检测模型大多专注于通过改进学习器来提高准确率，忽视了图像数据集中因图像的复杂程度导致的图像样本不平衡、特征提取不佳的问题。针对该问题，提出一种改进EfficientNet图像分类的恶意流量检测模型。首先将注意力机制SE(Squeeze-Excitation)模块替换为ECA(Efficient Channel Attention)模块，增强网络对图像有效特征的提取。然后通过替换EfficientNet模型最后Softmax层中的损失函数，提高模型提取图像特征的能力。最后给模型增加容忍度机制，在模型训练准确率一直未能提高的情况下，可以依据指标回调模型的学习率，进而提高模型的检测准确率。使用913个恶意网络流量PCAP可视化图像公共数据集进行实验验证，其中测试平均准确率为97.51%，损失率为0.02%，相对原模型准确率提高1.93%，损失率减少0.07%，说明本文改进的EfficientNet模型具有一定的适用性和有效性。

• 出版日期2023
• 单位四川轻化工大学