文章提出一種改進(jìn)的雙線性卷積神經(jīng)網(wǎng)絡(luò),用于惡意網(wǎng)絡(luò)流量分類。該網(wǎng)絡(luò)采用跨層多特征融合的設(shè)計(jì)思想,首先使用兩個(gè)基于VGG-Net(網(wǎng)絡(luò)A、網(wǎng)絡(luò)B)的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,連接跨層多特征融合模塊進(jìn)行特征融合,提高特征表達(dá)能力;然后通過多次迭代優(yōu)化訓(xùn)練網(wǎng)絡(luò)模型至擬合狀態(tài);最后利用訓(xùn)練至擬合的網(wǎng)絡(luò)模型對(duì)測(cè)試集進(jìn)行分類檢測(cè),得出分類結(jié)果。實(shí)驗(yàn)表明,該算法在惡意網(wǎng)絡(luò)流量分類中具有較高的準(zhǔn)確率、精確率和F值。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1IBCNN網(wǎng)絡(luò)結(jié)構(gòu)

本文的IBCNN結(jié)構(gòu)如圖1所示，由網(wǎng)絡(luò)A、網(wǎng)絡(luò)B和跨層多特征融合模塊組成。網(wǎng)絡(luò)A和網(wǎng)絡(luò)B都以VGG-Net[16]為基礎(chǔ)框架，各包含13個(gè)卷積層（Conv）和4個(gè)最大池化層（Maxpool）。為方便表述，將這些功能層劃分為5個(gè)單元模塊，每個(gè)功能層的詳細(xì)參數(shù)設(shè)置如表1所示。為了避免....

圖2IBCNN訓(xùn)練過程

IBCNN模型的訓(xùn)練由兩部分組成，分別為訓(xùn)練數(shù)據(jù)由網(wǎng)絡(luò)淺層次向深層次的向前傳播過程和訓(xùn)練誤差由網(wǎng)絡(luò)深層次向淺層次的反向傳播過程。訓(xùn)練過程如圖2所示。1.2.1向前傳播

圖3IBMNTCM流程

本文提出一種以IBCNN為核心的惡意網(wǎng)絡(luò)流量分類模型（IBMNTCM），該模型由數(shù)據(jù)預(yù)處理單元、IBCNN訓(xùn)練單元和分類檢測(cè)單元3部分組成。IBMNTCM流程如圖3所示。數(shù)據(jù)預(yù)處理單元主要負(fù)責(zé)去除冗余數(shù)據(jù)及經(jīng)過取舍的數(shù)據(jù)，并調(diào)整數(shù)據(jù)大小使其滿足IBCNN的輸入要求。IBCNN訓(xùn)練....

圖4混淆矩陣

對(duì)于網(wǎng)絡(luò)模型分類效果的評(píng)價(jià)在深度（機(jī)器）學(xué)習(xí)領(lǐng)域中有統(tǒng)一的評(píng)價(jià)指標(biāo)。本文采用的評(píng)價(jià)指標(biāo)有準(zhǔn)確率（Accuracy,AC）、精確率（Precision,P）、召回率（Recall,R）、F-Score，這4個(gè)關(guān)鍵指標(biāo)可以通過混淆矩陣計(jì)算�；煜仃嚨男问饺鐖D4所示，矩陣中的每一行代表....

本文編號(hào)：3910120