鑒于自動(dòng)編碼器（AutoEncoder）網(wǎng)絡(luò)在特征學(xué)習(xí)上的優(yōu)勢(shì),以及殘差網(wǎng)絡(luò)（ResNet）構(gòu)建深層模型在分類(lèi)領(lǐng)域的成熟應(yīng)用,結(jié)合這兩種深度學(xué)習(xí)模型提出了一種新的網(wǎng)絡(luò)入侵檢測(cè)方法,來(lái)解決傳統(tǒng)方法檢測(cè)準(zhǔn)確率低的問(wèn)題。該方法先用預(yù)處理后的數(shù)據(jù)通過(guò)自編碼網(wǎng)絡(luò)重構(gòu)誤差進(jìn)行特征提取,然后用提取后的特征對(duì)設(shè)計(jì)的殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最后用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行分類(lèi)檢測(cè)。實(shí)驗(yàn)結(jié)果在準(zhǔn)確率、真正率和誤報(bào)率方面都有較好表現(xiàn),表明了基于自編碼器和殘差網(wǎng)絡(luò)（AutoEncoder-ResNet）模型的有效性和可行性。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用研究. 2020,37(S2)北大核心CSCD

【文章頁(yè)數(shù)】：3 頁(yè)

【文章目錄】：
0 引言
1 模型設(shè)計(jì)
    1.1 自動(dòng)編碼器（AutoEncoder)
    1.2 殘差網(wǎng)絡(luò)（ResNet)
    1.3 AutoEncoder-ResNet模型結(jié)構(gòu)
2 數(shù)據(jù)介紹及預(yù)處理
    2.1 實(shí)驗(yàn)數(shù)據(jù)
    2.2 數(shù)據(jù)預(yù)處理
3 實(shí)驗(yàn)及結(jié)果分析
    3.1 實(shí)驗(yàn)環(huán)境與超參數(shù)
    3.2 評(píng)價(jià)指標(biāo)
    3.3 實(shí)驗(yàn)結(jié)果
4 結(jié)束語(yǔ)



本文編號(hào)：3321180