隨著社會(huì)經(jīng)濟(jì)的迅速發(fā)展,我國(guó)正大力推進(jìn)信息通信的基礎(chǔ)建設(shè),信息化程度因此有了顯著提升。計(jì)算機(jī)網(wǎng)絡(luò)作為信息化的一部分,其為社會(huì)各行各業(yè)提供極大的便利,也豐富了我們的生活。與此同時(shí),信息技術(shù)在不斷更迭,黑客開(kāi)發(fā)的入侵技術(shù)也變得更加隱匿和復(fù)雜。此外,由于網(wǎng)絡(luò)用戶(hù)量激增,網(wǎng)絡(luò)入侵也隨之變多。這對(duì)整個(gè)網(wǎng)絡(luò)環(huán)境的安全性提出了嚴(yán)峻挑戰(zhàn)。毫無(wú)疑問(wèn),人們對(duì)網(wǎng)絡(luò)信息的安全性的需求日益增強(qiáng),網(wǎng)絡(luò)信息的安全性不僅僅影響著我們個(gè)人的生活,網(wǎng)絡(luò)信息的安全性也是國(guó)家安全的重要部分。因此,越來(lái)越多的學(xué)者投身到入侵檢測(cè)的研究中。入侵檢測(cè)系統(tǒng)是維護(hù)計(jì)算機(jī)系統(tǒng)安全的一道屏障,它是一種主動(dòng)阻擋入侵行為的可靠手段。IDS的準(zhǔn)確性對(duì)確保信息系統(tǒng)的安全性有重要意義。工業(yè)界常用的傳統(tǒng)IDS需要過(guò)多的專(zhuān)家參與分析和提取已知入侵行為的模式和攻擊特點(diǎn),并且需要根據(jù)這些信息建立入侵檢測(cè)的規(guī)則庫(kù),所以其在檢測(cè)的準(zhǔn)確率和智能性上存在明顯不足。近年來(lái),學(xué)術(shù)界和工業(yè)領(lǐng)域提出基于傳統(tǒng)的機(jī)器學(xué)習(xí)方法的IDS雖然準(zhǔn)確性有所提高,但由于網(wǎng)絡(luò)流量數(shù)據(jù)量大,傳統(tǒng)的機(jī)器學(xué)習(xí)方法往往需要強(qiáng)調(diào)特征工程和特征選擇,不能有效地解決在實(shí)際網(wǎng)絡(luò)應(yīng)用環(huán)境下出現(xiàn)的大規(guī)模入侵?jǐn)?shù)據(jù)...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)

f′(y)f′(x)f′(w)(2.1)2.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)理論中，所有的輸入（和輸出）彼此之間是互相獨(dú)立的。但是這并不符合很多現(xiàn)實(shí)任務(wù)。例如你想預(yù)測(cè)句子中的下一個(gè)詞，它很可能與它之前的詞和它之后的詞有一定的相關(guān)性，因此需要知道它的前后文信息。循環(huán)神經(jīng)網(wǎng)絡(luò)之所以....

圖2.3標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失問(wèn)題同時(shí)如果雅克比矩陣中的值很大，則多次矩陣相乘后梯度值容易成指數(shù)級(jí)上升

導(dǎo)手校?曜嫉難??神經(jīng)網(wǎng)絡(luò)一般難以學(xué)習(xí)到長(zhǎng)時(shí)的信息，它們僅能利用有限步長(zhǎng)得信息。是因?yàn)槭?.6也可簡(jiǎn)寫(xiě)為式2.7，其中hKhk滿(mǎn)足鏈?zhǔn)椒▌t，hKhk=hKhK1...h2h1。其求導(dǎo)數(shù)結(jié)果是一個(gè)雅克比矩陣，矩陣元素是每個(gè)點(diǎn)的導(dǎo)數(shù)。可以把式2.7的梯度重寫(xiě)成式2.8。因?yàn)槭街醒趴吮?...

圖2.4LSTM的一個(gè)“細(xì)胞”塊結(jié)構(gòu)

中，輸入門(mén)將“細(xì)胞”的輸入和輸出通過(guò)向量的乘法計(jì)算得到；輸出門(mén)也是將“細(xì)胞”的輸入和輸出通過(guò)向量的乘法計(jì)算得到；而遺忘門(mén)與“細(xì)胞”的從前狀態(tài)通過(guò)向量的乘法計(jì)算得到�！凹�(xì)胞”更新計(jì)算的時(shí)候不需要激活函數(shù)。圖中，門(mén)激活函數(shù)f通常為邏輯sigmoid，因此門(mén)激活函數(shù)的結(jié)果在0-1之間，....

圖4.6不同的LSTM層隱藏神經(jīng)元的個(gè)數(shù)對(duì)IDM分類(lèi)結(jié)果的影響

。本文設(shè)置了４個(gè)超參數(shù)來(lái)討論這４個(gè)參數(shù)對(duì)模型的影響。這4個(gè)超參數(shù)為：LSTM中隱藏神經(jīng)元的個(gè)數(shù)（units）、時(shí)間步長(zhǎng)的大�。╰imestepsize）、周期大�。╡pochsize）和優(yōu)化方法。本實(shí)驗(yàn)中使用的LSTM為Keras中的LSTM，其中我們?cè)O(shè)置LSTM的激活函數(shù)（ac....

本文編號(hào)：3915748