針對現(xiàn)有的網(wǎng)絡(luò)攻擊檢測模型預(yù)測準(zhǔn)確率和效率較低的問題,提出一種基于自然界生態(tài)系統(tǒng)原理的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)算法。在卷積特征優(yōu)化基礎(chǔ)上,借鑒生態(tài)系統(tǒng)中的自組織與自我調(diào)節(jié)原理,設(shè)計(jì)基于生態(tài)系統(tǒng)的信息流傳遞模型,進(jìn)而設(shè)計(jì)出改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型,并采用KDDCup99數(shù)據(jù)集作為實(shí)驗(yàn)對象檢測改進(jìn)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和預(yù)測效果。實(shí)驗(yàn)結(jié)果表明,所設(shè)計(jì)的改進(jìn)神經(jīng)網(wǎng)絡(luò)不僅具有較高的檢測準(zhǔn)確率,而且相對于標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)具備更高的學(xué)習(xí)效率,改進(jìn)神經(jīng)網(wǎng)絡(luò)擁有廣泛的應(yīng)用前景。 

【文章來源】：指揮控制與仿真. 2020,42(04)

【文章頁數(shù)】：6 頁

【部分圖文】：

生態(tài)系統(tǒng)示意圖

借鑒生物界中的生態(tài)系統(tǒng)運(yùn)作原理,用以改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu),以更適應(yīng)參數(shù)調(diào)節(jié)需求,使神經(jīng)網(wǎng)絡(luò)具備更強(qiáng)的自組織和自我優(yōu)化能力。算法中,可將神經(jīng)元看作生物種群,神經(jīng)元內(nèi)的每組參數(shù)組合看作生物個(gè)體,每個(gè)隱含層神經(jīng)元組合看作生物群落,特征計(jì)算可看做生態(tài)系統(tǒng)內(nèi)部的能量、物質(zhì)與信息流動過程,則生態(tài)系統(tǒng)通過多次的特征計(jì)算達(dá)成系統(tǒng)內(nèi)部的自我適應(yīng)與自我優(yōu)化。生態(tài)系統(tǒng)神經(jīng)網(wǎng)絡(luò)計(jì)算流程如圖2所示。2.1 卷積層架構(gòu)

卷積池化操作示意圖

【參考文獻(xiàn)】：
期刊論文
[1]雜草算法優(yōu)化神經(jīng)網(wǎng)絡(luò)盲均衡算法的研究[J]. 耿艷香,王光艷,張立毅.  軟件工程. 2019(04)
[2]基于并行特征選擇和分類的網(wǎng)絡(luò)入侵檢測方法[J]. 戴敏.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(03)
[3]基于深度生成模型的半監(jiān)督入侵檢測算法[J]. 曹衛(wèi)東,許志香,王靜.  計(jì)算機(jī)科學(xué). 2019(03)
[4]關(guān)于無線網(wǎng)絡(luò)擁塞鏈路信息優(yōu)化控制仿真[J]. 徐磊,楊曉飛,王玉龍.  計(jì)算機(jī)仿真. 2019(03)
[5]基于人工蜂群算法的分布式入侵攻擊檢測系統(tǒng)[J]. 譚繼安,關(guān)繼夫.  計(jì)算機(jī)應(yīng)用與軟件. 2019(03)
[6]新型入侵增量識別入侵檢測模型[J]. 劉佳,張平,劉培玉,孔凡玉,李新金.  計(jì)算機(jī)應(yīng)用與軟件. 2019(03)
[7]改進(jìn)的聚類算法在入侵檢測系統(tǒng)中的應(yīng)用[J]. 邢瑞康,李成海.  火力與指揮控制. 2019(02)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)攻擊檢測[J]. 秦麗娜.  蘭州工業(yè)學(xué)院學(xué)報(bào). 2019(01)
[9]改進(jìn)的HS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的入侵檢測研究[J]. 丁紅衛(wèi),萬良,鄧烜堃.  計(jì)算機(jī)工程與科學(xué). 2019(01)
[10]基于特征選擇的網(wǎng)絡(luò)入侵檢測模型[J]. 姜濱.  現(xiàn)代電子技術(shù). 2019(01)



本文編號：3419010