針對(duì)基于自編碼器的異常檢測(cè)在訓(xùn)練時(shí)容易過(guò)擬合,進(jìn)而導(dǎo)致誤報(bào)率較高的問(wèn)題,本文提出一種基于殘差網(wǎng)絡(luò)（Residual Network, ResNet）的深度神經(jīng)網(wǎng)絡(luò)異常檢測(cè)模型。該模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)的一部分到另一部分的映射,在訓(xùn)練時(shí),采用固定的切分規(guī)則將每個(gè)數(shù)據(jù)切分成A和B兩部分,并且選取合適的輸出數(shù)n,訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型對(duì)每個(gè)輸入A,輸出n種B的可能,構(gòu)造相應(yīng)的代價(jià)函數(shù),并加上L2正則化避免過(guò)擬合。測(cè)試時(shí),計(jì)算網(wǎng)絡(luò)輸出到B的誤差,通過(guò)設(shè)定的閾值來(lái)劃分?jǐn)?shù)據(jù)的正常與異常。最后,構(gòu)造深度神經(jīng)網(wǎng)絡(luò)時(shí),用ResNet網(wǎng)絡(luò)層來(lái)避免梯度消失問(wèn)題。在對(duì)KDDCup99數(shù)據(jù)集的測(cè)試中,本文描述的方法能達(dá)到較好的檢測(cè)率及較低的誤報(bào)率。 

【文章來(lái)源】：網(wǎng)絡(luò)新媒體技術(shù). 2020,9(02)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

基于ResNet的深度神經(jīng)網(wǎng)絡(luò)

Dist(X)=Dist(A,B)= ∏ i=1 n ( F i (A)-B) 2 (4)其中A, B表示從數(shù)據(jù)X拆分開(kāi)來(lái)作為輸入數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的兩個(gè)部分,假設(shè)B有b維,n表示神經(jīng)網(wǎng)絡(luò)有n個(gè)b維輸出,Fi(A)表示神經(jīng)網(wǎng)絡(luò)F對(duì)輸入數(shù)據(jù)A的第i個(gè)b維輸出數(shù)據(jù),通常n取2到3即可。應(yīng)注意的是,n并不代表只有n種標(biāo)簽數(shù)據(jù)與輸出數(shù)據(jù)的差異為0;而是對(duì)于標(biāo)簽數(shù)據(jù)的b維,每個(gè)維度有n個(gè)數(shù)值使該維差異為0,修改后的神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

模型訓(xùn)練和檢測(cè)過(guò)程

【參考文獻(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的異常點(diǎn)集間的匹配算法[J]. 李舫,張挺.  計(jì)算機(jī)應(yīng)用. 2018(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J]. 王明,李劍.  信息安全研究. 2017(11)
[3]入侵檢測(cè)技術(shù)研究綜述[J]. 卿斯?jié)h,蔣建春,馬恒太,文偉平,劉雪飛.  通信學(xué)報(bào). 2004(07)



本文編號(hào)：3258728