报告时间：2023年9月28日（周四）14：00 – 15：00

报告地点： 计算机与大数据学院2#311会议室

报告题目：多维特征下网络空间数据流的异常检测算法研究

报告简介：网络异常检测是网络安全防范的重要手段，大规模网络的复杂环境、多样应用和攻击手段繁多等问题给攻击行为识别带来了诸多挑战。数据特征提取缺乏可解释性，难以满足异常检测对精度的要求；网络数据的实时性、不平衡性和复杂性特点严重影响了异常检测的性能；分布式环境下，数据孤立问题导致相邻节点信息不能被检测模型利用。报告从课题研究背景与现状、问题定义、近期主要研究内容、完成工作情况以及访学期间交流与成果等几个方面进行了汇报。

从特征构造、异构特征训练和分布式协同学习三个方面展开研究工作。以网络技术、攻击原理和识别方法为理论基础，深入探讨可解释性时空多维特征构造与表征学习方案，以降低数据冗余率、简化数据关系和提高数据价值密度。通过特征子空间的划分，分析和摸索基于异构多维数据特征融合训练的新思路，来提高模型对攻击行为的识别能力。开展分布式协同训练方案的研究工作，扩大模型的学习范围，提高检测能力。

报告人介绍：

张浩，研究生学历，博士学位，福州大学计算机与大数据学院副教授，硕士生导师。主要研究领域涉及：网络流量异常检测、机器学习算法研究与应用。主持和参与包括国家自然科学基金、福建省自然科学基金和福建省教育厅科研项目在内的15项国家级、省部级项目。先后在Future Generation Computer Systems、Neural Computing & Applications、Integration the VLSI Journal、Journal of Supercomputing等国内外期刊和会议上发表研究论文20余篇（其中SCI/EI 检索10余篇），获授权国家发明专利8项，授权软件著作权2项，担任IEEE Transactions on Cognitive Communications and Networking、Journal of Supercomputing、International Journal of Electrical and Computer Engineering、《电子学报》、《信息网络安全》等国内外刊物的审稿专家。