《表7 Cat-SE-KNN模型与其它模型性能比较（%）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于数据增强和模型更新的异常流量检测技术》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文实验中，利用交叉验证和随机搜索的方法，求出改进KNN算法中的超参数K为6时，具有最佳的效果，如图8所示。各个攻击的检测率和正常样本的真负率如表6所示，从表中可以得出，经过不平衡处理后攻击类型的检测率都有所提高，尤其是Probe和R2L这两种攻击类型，相比未进行数据平衡分别提升了12.75%和6.92%。实验过程中随机抽取20%初始分类数据（共8000条），用于模型的迭代更新。模型更新后，得到总的检测率、误报率和分类精度分别为96.03%、0.92%和96.52%，与文献[5]提出的HCPTC-IDS方法相比，都有所提升，结果如表7所示，各模型对比如图9所示。在模型迭代更新过程中，检测模型在各个方面都有较好的表现，说明本文所提模型能很好地适应复杂网络环境，保证网络异常流量检测的精度和效率。