基于自監(jiān)督圖神經(jīng)網(wǎng)絡(luò)和混合神經(jīng)網(wǎng)絡(luò)的入侵檢測
所屬分類:技術(shù)論文
上傳者:wwei
文檔大?。?span>911 K
標簽: 自監(jiān)督學(xué)習(xí) 圖神經(jīng)網(wǎng)絡(luò) 混合神經(jīng)網(wǎng)絡(luò)
所需積分:0分積分不夠怎么辦,?
文檔介紹:為了解決現(xiàn)有網(wǎng)絡(luò)入侵檢測方法在特征提取單一,、數(shù)據(jù)依賴強以及模型泛化能力差等方面的問題,提出了一種基于自監(jiān)督圖神經(jīng)網(wǎng)絡(luò)和混合神經(jīng)網(wǎng)絡(luò)的入侵檢測方法,。首先,通過自監(jiān)督學(xué)習(xí)策略,利用圖卷積網(wǎng)絡(luò)提取網(wǎng)絡(luò)流量數(shù)據(jù)中的結(jié)構(gòu)特征,,增強模型在無標簽數(shù)據(jù)上的特征學(xué)習(xí)能力,,從而降低對標注數(shù)據(jù)的依賴并提升泛化能力。其次,,使用卷積神經(jīng)網(wǎng)絡(luò)提取網(wǎng)絡(luò)流量中時間序列的空間特征,,并通過長短時記憶網(wǎng)絡(luò)建模時間依賴性,進行多視角特征提取,,提高檢測的全面性,。最后,設(shè)計了一種特征融合策略,,豐富模型特征表示,,提升模型魯棒性。在公開數(shù)據(jù)集上的實驗結(jié)果表明,,所提方法具有更高的準確率和F1值,。
現(xiàn)在下載
VIP會員,AET專家下載不扣分,;重復(fù)下載不扣分,,本人上傳資源不扣分。