随着科技的发展,网络在人们的生活与经济发展中扮演着重要作用。同时网络攻击也在呈现逐年增长的趋势,给网络安全和网络秩序造成了巨大威胁。基于数理统计和数据挖掘的网络流量异常检测方法普遍存在较高的误报率和较低的准确率。传统机器学习算法的性能对特征的依赖很强,如何构造一套具有通用性的网络流量特征集是一个尚未解决的问题。随着深度学习的崛起,为网络流量异常检测的研究和发展带来新的契机。本文针对上述问题展开研究,主要贡献和创新点如下:1.设计出一个基于深度学习的网络流量二分类模型首先利用Embedding技术将离散特征变换成低维稠密的特征向量,有效的保留了离散特征之间的语义信息。该模型在传统的全连接神经网络上融合了注意力机制,加强了模型的表征能力。该模型是一个轻量级的模型,兼顾了模型的准确性与系统延时性。2.设计出一个基于深度学习的网络流量多分类模型该方法的最大亮点是将Deep FM框架应用在异常检测任务中。Deep FM兼顾了深度学习与传统机器学习的优点,FM部分提取具备记忆能力的低阶特征,而神经网络部分提取具备泛化能力的高阶特征,将这两者特征融合,有效的提高了模型分类的准确性。FM算法的应用有效的解决了机器学习算法对人工特征的依赖,让模型具备自动构造交叉特征的能力。在神经网络部分提出了A-Res Next模块,该模块将分组卷积网络与自注意力机制结合。分组卷积能够提取丰富的特征,而注意机制能够在一定程度上降低冗余特征的重要性,提高了模型的表征能力和泛化能力。3.提出一个基于深度学习的双阶段网络流量异常检测系统第一阶段利用基于深度学习的网络流量二分类模型能够快速的将流量分成正常流量和异常流量;第二阶段利用基于深度学习的网络流量多分类模型将异常流量进一步细分。该系统兼顾了准确性与系统延时性,并且能够为网络流量打标签,形成数据闭环。实验表明,双阶段检测方法对大部分流量能够快速且准确的检测,满足工业化的需求。