本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：图像异常数据作为网络安全检测的核心监控对象，面临着样本不均衡、数据缺乏标注以及异常形式多样化等挑战，针对这些问题，创新性地提出了自信息量挖掘模块，旨在学习已知类别样本的数据模式；同时提出了三元组信息量学习策略，优化类别信息学习和已知类别的数据模式学习，最终实现了在网络安全防护场景中对图像的未知类别样本的异常检测。实验结果表明，异常检测算法可以有效提升网络安全防护的准确性，在实际应用中表现出色。
关键词：深度学习；异常检测；网络安全；数据模式
doi：10.12045/j.issn.1007-3043.2024.08.005
概述
在数字化转型的时代浪潮中，网络安全已不仅仅是一个技术问题，更是涉及到国家安全、社会稳定、经济发展等多方面的战略性问题。随着计算机技术的不断发展和网络环境的日益复杂多变，传统的网络安全防护措施难以应对层出不穷的网络攻击手段。而随着深度学习技术的发展和引入，为网络安全领域带来了革命性的变革。
深度学习技术通过构建深度神经网络模型，能够自动学习和提取网络数据中的复杂特征，进而实现精准的识别、分类和预测。深度学习还能够与其他网络安全技术相结合，形成更加全面的安全防护体系。例如，可将深度学习模型与入侵检测系统相结合，实现对网络流量的实时分析和监控；也可将深度学习模型用于用户行为分析，通过识别异常行为来发现潜在的安全威胁。这种多层次的安全防护体系能够大大提升网络安全水平，有效防范各类网络攻击。当然，深度学习技术在网络安全领域的应用也面临着一些挑战，如何有效地收集、处理和分析网络安全领域的数据，是深度学习技术在网络安全领域应用的关键。
基于上述现状和问题，本文提出一种基于异常检测算法的网络安全技术。该方法使用聚类算法探索样本相关性，并提出了自信息量挖掘模块和三元组信息量学习策略，联合优化类别信息学习和已知类别的数据模式学习。实验结果表明，本文算法可以有效检测未知类别样本，对于防范异常信息入侵具有较好的效果，对于提高网络安全防御能力、网络安全响应效率和准确性具有重要意义。
