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(cè)
所屬分類：技術(shù)論文
上傳者：wwei
文檔大?。?span>911 K
標(biāo)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(cè)方法在特征提取單一、數(shù)據(jù)依賴強(qiáng)以及模型泛化能力差等方面的問(wèn)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(cè)方法。首先，通過(guò)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(qiáng)模型在無(wú)標(biāo)簽數(shù)據(jù)上的特征學(xué)習(xí)能力，從而降低對(duì)標(biāo)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(shí)間序列的空間特征，并通過(guò)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)建模時(shí)間依賴性，進(jìn)行多視角特征提取，提高檢測(cè)的全面性。最后，設(shè)計(jì)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(shí)驗(yàn)結(jié)果表明，所提方法具有更高的準(zhǔn)確率和F1值。
現(xiàn)在下載
VIP會(huì)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。