文章提出一種改進的雙線性卷積神經(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)計思想,首先使用兩個基于VGG-Net(網(wǎng)絡(luò)A、網(wǎng)絡(luò)B)的神經(jīng)網(wǎng)絡(luò)進行特征提取,連接跨層多特征融合模塊進行特征融合,提高特征表達能力;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)模型對測試集進行分類檢測,得出分類結(jié)果。實驗表明,該算法在惡意網(wǎng)絡(luò)流量分類中具有較高的準確率、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個卷積層（Conv）和4個最大池化層（Maxpool）。為方便表述，將這些功能層劃分為5個單元模塊，每個功能層的詳細參數(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

對于網(wǎng)絡(luò)模型分類效果的評價在深度（機器）學(xué)習(xí)領(lǐng)域中有統(tǒng)一的評價指標。本文采用的評價指標有準確率（Accuracy,AC）、精確率（Precision,P）、召回率（Recall,R）、F-Score，這4個關(guān)鍵指標可以通過混淆矩陣計算�；煜仃嚨男问饺鐖D4所示，矩陣中的每一行代表....

本文編號：3910120