針對基于自編碼器的異常檢測在訓(xùn)練時容易過擬合,進(jìn)而導(dǎo)致誤報率較高的問題,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,采用固定的切分規(guī)則將每個數(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)模型對每個輸入A,輸出n種B的可能,構(gòu)造相應(yīng)的代價函數(shù),并加上L2正則化避免過擬合。測試時,計算網(wǎng)絡(luò)輸出到B的誤差,通過設(shè)定的閾值來劃分?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,用ResNet網(wǎng)絡(luò)層來避免梯度消失問題。在對KDDCup99數(shù)據(jù)集的測試中,本文描述的方法能達(dá)到較好的檢測率及較低的誤報率。 

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

【文章頁數(shù)】：7 頁

【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拆分開來作為輸入數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的兩個部分,假設(shè)B有b維,n表示神經(jīng)網(wǎng)絡(luò)有n個b維輸出,Fi(A)表示神經(jīng)網(wǎng)絡(luò)F對輸入數(shù)據(jù)A的第i個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;而是對于標(biāo)簽數(shù)據(jù)的b維,每個維度有n個數(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)練和檢測過程

【參考文獻(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的異常點集間的匹配算法[J]. 李舫,張挺.  計算機(jī)應(yīng)用. 2018(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測系統(tǒng)[J]. 王明,李劍.  信息安全研究. 2017(11)
[3]入侵檢測技術(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. 2004(07)



本文編號：3258728