CN113660236A - 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 - Google Patents
一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 Download PDFInfo
- Publication number
- CN113660236A CN113660236A CN202110912013.6A CN202110912013A CN113660236A CN 113660236 A CN113660236 A CN 113660236A CN 202110912013 A CN202110912013 A CN 202110912013A CN 113660236 A CN113660236 A CN 113660236A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- pooling
- self
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器,涉及通信领域和数据安全领域,该方法首先对流量数据进行one‑hot映射与归一化处理,然后引入深度学习技术,构建堆叠降噪卷积自编码网络,并通过改进的粒子群优化算法对网络参数进行优化,最终实现对流量特征的提取、优化、学习,建立稳定的异常流量检测模型,实现异常流量在复杂网络环境和大规模数据下高效准确识别。该方法可以应用在工业互联网数据安全领域。
Description
技术领域
本发明涉及通信领域和数据安全领域,具体地涉及一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器。
背景技术
异常流量检测是一种用于检测网络入侵的安全手段,可以在不影响网络内部的情况下,对网络的传输数据进行实时监控并采取措施对入侵行为进行监测、分析、预警等处理,从而提高网络应对外部威胁的能力。许多关于机器学习的研究已经开发出具有机器智能的异常流量检测技术,取得了良好的效果,但随着网络环境的日益复杂,传统异常流量检测模型往往存在以下问题:(1)采集的网络流量数据是高维度的,手动选取特征,不够有效且依据较少,可能会丢失重要特征而保留冗余特征。(2)自适应能力差,随着网络运行环境和结构变化要想检测出现的新型未知攻击,需要不断更新模型。(3)模型拟合能力差,传统机器学习模型结构简单,特征提取及学习能力有限,当面临大规模数据集时无法对数据分布形成有效的非线性映射。
相对于传统人工设计特征的算法,深度学习技术由于其自学习能力以及对样本潜在的容错性,在语音、图像领域取得了突出成就。近年来,从事通信领域的研究人员也逐步利用深度学习技术来解决异常流量检测相关问题,主要思想为建立流量的浅层特征表达,并构建深度学习神经网络对样本进行学习。其中,卷积神经网络是一种高级的深度学习神经网络,在使用与普通神经网络一样的损失函数、反向传播算法、参数更新策略、以及超参数的同时,引入了新的网络结构,包括卷积层、池化层等,常用于对二维或三维输入信号的分类识别。
发明内容
本发明要解决的技术问题是提供一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法,能够实现异常流量在复杂网络环境和大规模数据下高效准确识别。
一方面,本发明提供一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法,该方法包括:
S100、获取流量数据,所述流量数据包括多个特征数据;
S200、对特征数据进行数值归一化处理;
S300、构建堆叠降噪卷积自编码网络对特征进行学习;所述堆叠降噪卷积自编码网络采用两个降噪卷积自编码器进行堆叠,第一个降噪卷积自编码器保留完整结构,第二个降噪卷积自编码器只保留编码部分;所述降噪卷积自编码器的编码部分包括至少六层结构:每两层卷积层之后为一池化层;
S400、以堆叠降噪卷积自编码网络中需要优化的参数为一个粒子集,以粒子集的数量为参数个数,对粒子的位置与速度进行随机初始化,根据实际输出与期望输出的误差计算适应度,获得每个粒子的全局最优位置与当前速度,获得更新后的网络权值;代入新的权值参数再重新训练,以此迭代下去,直到适应度收敛到一定阈值范围内时,停止算法,得到最优模型;
S500、对未知的流量数据进行预处理后输入该模型,即可检测出异常流量。
进一步的,对特征数据的处理还包括将字符型数据映射数值型数据。
进一步的,所述降噪卷积自编码器的编码部分包括六层:前两层为卷积层,第三层为池化层,第四层和第五层为卷积层,第六层为池化层。
进一步的,所述第一层为卷积层,卷积核大小为3*3,滤波器数量为32;第二层为卷积层,卷积核大小为3*3,滤波器数量为64;第三层为池化层,池化方式为最大池化,池化核为2*2;第四层为卷积层,卷积核大小为3*3,滤波器数量为64;第五层为卷积层,卷积核大小为3*3,滤波器数量为128;第六层为池化层,池化方式为最大池化,池化核为2*2。
进一步的,所述需要优化的参数包括卷积核大小、卷积窗口的参数、特征映射的各节点权值、池化层的大小和类型。
进一步的,S300中,将特征数据输入到网络进行训练,计算并判断损失函数是否在允许范围内,如果在允许范围内,则停止训练,并将待优化的参数输入到优化算法中;如果不在允许范围内,则更新网络权重,继续训练,直至满足损失函数要求或达到最大迭代次数。
进一步的,S400中,当实际输出与期望输出的误差小于期望误差值或训练达到最大迭代次数时,算法终止。
另一方面,本发明还提供一种存储器,用于存储软件,其中,所述软件用于执行上述的方法。
另一方面,本发明还提供一种处理器,用于执行软件,其中,所述软件用于执行上述方法。
本发明通过引入深度学习技术和优化算法,克服人工提取高维统计特征稳健性差等缺陷,建立高效、准确、稳定的异常流量检测模型,实现异常流量在复杂网络环境和大规模数据下高效准确识别。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的流程图。
图2是堆叠降噪卷积自编码网络结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,提供了一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法,包括以下步骤:
S100、获取流量数据,所述流量数据包括多个特征数据;
S200、对特征数据进行预处理,将字符型数据映射数值型数据,数值归一化处理;
S300、构建堆叠降噪卷积自编码网络对特征进行学习;所述堆叠降噪卷积自编码网络采用两个降噪卷积自编码器进行堆叠,第一个降噪卷积自编码器保留完整结构,第二个降噪卷积自编码器只保留编码部分;所述降噪卷积自编码器的编码部分包括至少六层结构:每两层卷积层之后为一池化层;
S400、以堆叠降噪卷积自编码网络中需要优化的参数为一个粒子集,以粒子集的数量为参数个数,对粒子的位置与速度进行随机初始化,根据实际输出与期望输出的误差计算适应度,获得每个粒子的全局最优位置与当前速度,获得更新后的网络权值;代入新的权值参数再重新训练,以此迭代下去,直到适应度收敛到一定阈值范围内时,停止算法,得到最优模型;
S500、对未知的流量数据进行预处理后输入该模型,即可检测出异常流量。
本发明步骤S100中,所述的流量数据可理解为一段连续时间序列,包含了41个特征属性,其中包括符号型特征(tcp,udp,icmp,…)和数值型特征。
本发明步骤S200中,为了可以定量表示流量特征,通过one-hot编码将字符型数据映射数值型数据,同时为了消除数量级不同对实验结果产生影响,对流量数据采用Min-Max标准化处理。
具体的,本发明通过one-hot编码将字符型数据映射数值型数据,所述one-hot编码主要是采用N位状态寄存器来对N个状态进行编码,每个状态都有独立的寄存器位,并且在任意时候只有一位有效。one-hot编码是分类变量作为二进制向量的表示,这首先要求将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值。例如流量数据第2维为(TCP,UDP,ICMP)3种协议类型,可将其映射为(100,010,001)。
具体的,数值归一化是采用采用Min-Max标准化处理,消除数量级不同对实验结果产生影响。
其中,x表示样本特征原始值,xmin,xmax分别表示该条数据中的最小值和最大值,Xnormal表示每条数据归一化后新特征值。
在特征向量中,不同的特征一般具有不同的量纲和数量级,这种情况会造成每个样本不同特征值之间大小差异很大,进而影响模型性能,数量级大的特征会大大影响到模型分类的结果。本发明数值归一化处理,降低了这种影响性。
本发明步骤S300中,首先通过改进卷积层与池化层结构,构建了改进的卷积降噪自编码器,让数据每经过两个卷积操作再进行一次池化操作,加强网络的特征学习能力。然后将两个卷积降噪自编码器进行堆叠,其中第一个保留完整结构,第二个仅保留编码部分,将第二个卷积降噪自编码器的输出作为全连接层的输入,最终通过Softmax输出层得到识别结果。
具体的,网络除输出层采用Softmax激活函数外,其余各层皆采用ReLu激活函数。网络优化过程中,采用Adam算法进行网络参数的最优解求解。
具体的,卷积降噪自编码器编码部分由6层组成:第一层为卷积层,卷积核大小为3*3,滤波器数量为32;第二层为卷积层,卷积核大小为3*3,滤波器数量为64;第三层为池化层,池化方式为最大池化,池化核为2*2;第四层为卷积层,卷积核大小为3*3,滤波器数量为64;第五层为卷积层,卷积核大小为3*3,滤波器数量为128;第六层为池化层,池化方式为最大池化,池化核为2*2;解码部分为编码部分的逆操作。
具体的,所述卷积降噪自编码器编码过程包括如下步骤:
卷积层输出可以表示为:
式中,x表示输入特征向量,为卷积操作,W′11表示第1层权重,表示第一层偏置,f非线性激活函数,常见的有Sigmoid,Tanh,ReLU,由于ReLU相较于其他激活函数可以使网络更快收敛,减小训练时间,因此本发明采取ReLU激活函数,即:
池化层的输出可以表示为:
h2=pool(h1)=f(down(x)+b′11) (4)
其中,pool表示池化操作,本文使用最大值池化,减少了卷积运算带来的信息冗余,down(·)表示下采样。
以上举例说明编码过程中第1个卷积层和第1个池化层的计算过程,其余各层计算均与此类似。
具体的,所述卷积降噪自编码器解码过程包括如下步骤:
本过程只描述解码过程中第1层与第2层的计算过程,其余各层计算均与此类似。
h′1=upsample(h′2)=f(upsample(x)+b′22) (6)
式中,x′为重构后的x,W′22和b′22为解码时第1层卷积的权重和偏置。W′21和b′21为解码时第2层卷积的权重和偏置。h′2为解码卷积输出,upsample为上采样,h′1为解码池化输出,f为解码激活函数,同编码器中一样。
具体的,所述学习包括如下训练步骤:将预处理的待训练流量数据输入到网络进行训练,求解隐藏层、输出层各单元的输出以及损失函数J(ω,b),判断J(ω,b)是否在允许范围内,如果在允许范围内,则停止训练,并将待优化的参数输入到优化算法中。如果不在允许范围内,则更新网络权重,继续训练,直至满足损失函数要求或达到最大迭代次数。损失函数J(ω,b)为交叉熵损失函数。
本发明步骤S400中,不断地代入新的权值参数继续进行优化,一直迭代下去,最终能得到最优模型。
具体的,对粒子的位置与速度进行随机初始化包括:设置最大迭代次数,粒子的最大速度,位置信息为整个搜索空间,在速度区间和搜索空间上随机初始化速度和位置,设置粒子群规模为网络结构中需要优化的参数个数。
更新速度和位置的计算公式:
V′i=ω×Vi+c1×r×(pbest(i)-Xi)+c2×r×(gbest(i)-Xi) (8)
X′i=Xi+V′i (9)
Vi:第i个粒子的速度;
pbest(i):每个粒子到目前为止所出现的最佳位置;
gbest(i):所有粒子到目前为止所出现的最佳位置;
c1,c2:学习常数;
Xi:每个粒子到目前所在位置;
X′i:每个粒子更新后的位置;
ω:惯性权重;
r:0~1之间的随机数;
本发明所述的惯性权重采用如下算法:
其中,ωmin是ω的下限,ωmax是ω的上限,fitmax是所有粒子到目前为止所出现的最佳位置的适应度,fitid每个粒子到目前所在位置的适应度,timemax为最大迭代次数,timeid代表当前为第几次迭代。
该公式分为三部分,第一部分为模型设计中ω的下限,第二部分为受粒子适应度影响的ω取值,第三部分为受时间推移影响的ω取值。
本发明中的c1,c2也根据Xi与pbest(i)和gbest(i)差距进项调整,即顾及到了前期的迭代速度和到达极值点附近后开始放慢迭代速度寻找极值点.
具体的,迭代取得最优解的计算如下:在粒子的搜索过程中,使如式(13)所示的均方误差作为适应度函数fiti。
其中,N是训练集样本数,M是输出网络神经元的个数,是第i个样本的第j个输出网络节点的理想状态值,Wj,i是第i个样本的第j个输出网络节点的实际状态值。当实际输出与期望输出的误差小于期望误差值或训练达到最大迭代次数时,算法终止即结束训练。此时得到了最佳位置,即网络参数达到最佳,得到了最优的异常流量检测模型。
具体的,采用相同的方法对未知的流量数据进行预处理。
根据本发明的第二个方面,提供一种存储器,用于存储软件,其中,所述软件用于执行上述的方法。
根据本发明的第三个方面,提供一种处理器,用于执行软件,其中,所述软件用于执行上述方法。
需要说明的是,上述软件执行的数据安全共享方法与前面介绍的数据安全共享方法相同,在此不再赘述。
在本实施例中,提供一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行以上实施例中的方法。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (9)
1.一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法,其特征在于,该方法包括:
S100、获取流量数据,所述流量数据包括多个特征数据;
S200、对特征数据进行数值归一化处理;
S300、构建堆叠降噪卷积自编码网络对特征进行学习;所述堆叠降噪卷积自编码网络采用两个降噪卷积自编码器进行堆叠,第一个降噪卷积自编码器保留完整结构,第二个降噪卷积自编码器只保留编码部分;所述降噪卷积自编码器的编码部分包括至少六层结构:每两层卷积层之后为一池化层;
S400、以堆叠降噪卷积自编码网络中需要优化的参数为一个粒子集,以粒子集的数量为参数个数,对粒子的位置与速度进行随机初始化,根据实际输出与期望输出的误差计算适应度,获得每个粒子的全局最优位置与当前速度,获得更新后的网络权值;代入新的权值参数再重新训练,以此迭代下去,直到适应度收敛到一定阈值范围内时,停止算法,得到最优模型;
S500、对未知的流量数据进行预处理后输入该模型,即可检测出异常流量。
2.根据权利要求1所述的方法,其特征在于,对特征数据的处理还包括将字符型数据映射数值型数据。
3.根据权利要求1所述的方法,其特征在于,所述降噪卷积自编码器的编码部分包括六层:前两层为卷积层,第三层为池化层,第四层和第五层为卷积层,第六层为池化层。
4.根据权利要求3所述的方法,其特征在于,所述第一层为卷积层,卷积核大小为3*3,滤波器数量为32;第二层为卷积层,卷积核大小为3*3,滤波器数量为64;第三层为池化层,池化方式为最大池化,池化核为2*2;第四层为卷积层,卷积核大小为3*3,滤波器数量为64;第五层为卷积层,卷积核大小为3*3,滤波器数量为128;第六层为池化层,池化方式为最大池化,池化核为2*2。
5.根据权利要求1所述的方法,其特征在于,所述需要优化的参数包括卷积核大小、卷积窗口的参数、特征映射的各节点权值、池化层的大小和类型。
6.根据权利要求1所述的方法,其特征在于,S300中,将特征数据输入到网络进行训练,计算并判断损失函数是否在允许范围内,如果在允许范围内,则停止训练,并将待优化的参数输入到优化算法中;如果不在允许范围内,则更新网络权重,继续训练,直至满足损失函数要求或达到最大迭代次数。
7.根据权利要求1所述的方法,其特征在于,S400中,当实际输出与期望输出的误差小于期望误差值或训练达到最大迭代次数时,算法终止。
8.一种存储器,其特征在于,用于存储软件,其中,所述软件用于执行权利要求1至7中任一项所述的方法。
9.一种处理器,其特征在于,用于执行软件,其中,所述软件用于执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912013.6A CN113660236B (zh) | 2021-08-10 | 2021-08-10 | 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912013.6A CN113660236B (zh) | 2021-08-10 | 2021-08-10 | 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113660236A true CN113660236A (zh) | 2021-11-16 |
CN113660236B CN113660236B (zh) | 2023-05-09 |
Family
ID=78491053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110912013.6A Active CN113660236B (zh) | 2021-08-10 | 2021-08-10 | 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113660236B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254716A (zh) * | 2022-03-02 | 2022-03-29 | 浙江鹏信信息科技股份有限公司 | 一种基于用户行为分析的高危操作识别方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN109615019A (zh) * | 2018-12-25 | 2019-04-12 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
US20190188065A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Computerized high-speed anomaly detection |
US20190260778A1 (en) * | 2018-02-19 | 2019-08-22 | Nec Laboratories America, Inc. | Unsupervised spoofing detection from traffic data in mobile networks |
CN110232341A (zh) * | 2019-05-30 | 2019-09-13 | 重庆邮电大学 | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 |
CN111092873A (zh) * | 2019-12-11 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 非对称卷积网络的流量检测模型的训练方法及检测方法 |
CN111222133A (zh) * | 2019-11-14 | 2020-06-02 | 辽宁工程技术大学 | 一种工控网络入侵检测的多级自适应耦合方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及*** |
CN111967502A (zh) * | 2020-07-23 | 2020-11-20 | 电子科技大学 | 一种基于条件变分自编码器的网络入侵检测方法 |
-
2021
- 2021-08-10 CN CN202110912013.6A patent/CN113660236B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
US20190188065A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Computerized high-speed anomaly detection |
US20190260778A1 (en) * | 2018-02-19 | 2019-08-22 | Nec Laboratories America, Inc. | Unsupervised spoofing detection from traffic data in mobile networks |
CN109615019A (zh) * | 2018-12-25 | 2019-04-12 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
CN110232341A (zh) * | 2019-05-30 | 2019-09-13 | 重庆邮电大学 | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 |
CN111222133A (zh) * | 2019-11-14 | 2020-06-02 | 辽宁工程技术大学 | 一种工控网络入侵检测的多级自适应耦合方法 |
CN111092873A (zh) * | 2019-12-11 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 非对称卷积网络的流量检测模型的训练方法及检测方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及*** |
CN111967502A (zh) * | 2020-07-23 | 2020-11-20 | 电子科技大学 | 一种基于条件变分自编码器的网络入侵检测方法 |
Non-Patent Citations (2)
Title |
---|
董书琴、张斌: "基于深度特征学习的网络流量异常检测方法", 《电子与信息学报》 * |
陶亮亮: "堆叠式降噪自编码器深度网络的入侵检测", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254716A (zh) * | 2022-03-02 | 2022-03-29 | 浙江鹏信信息科技股份有限公司 | 一种基于用户行为分析的高危操作识别方法及*** |
CN114254716B (zh) * | 2022-03-02 | 2022-05-27 | 浙江鹏信信息科技股份有限公司 | 一种基于用户行为分析的高危操作识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113660236B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadi et al. | FWNNet: Presentation of a New Classifier of Brain Tumor Diagnosis Based on Fuzzy Logic and the Wavelet‐Based Neural Network Using Machine‐Learning Methods | |
CN108345827B (zh) | 识别文档方向的方法、***和神经网络 | |
KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
US11681913B2 (en) | Method and system with neural network model updating | |
CN113272827A (zh) | 卷积神经网络中分类决策的验证 | |
CN112528275A (zh) | 基于元路径学习与子图采样的apt网络攻击检测方法 | |
Fathabadi et al. | Box-trainer assessment system with real-time multi-class detection and tracking of laparoscopic instruments, using CNN | |
US11475312B2 (en) | Method and apparatus with deep neural network model fusing | |
CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
CN116842827A (zh) | 一种无人机飞控***电磁性能边界模型构建方法 | |
You et al. | Intelligent Fault Diagnosis of Bearing Based on Convolutional Neural Network and Bidirectional Long Short‐Term Memory | |
CN113660236A (zh) | 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器 | |
Wang et al. | Bearing fault diagnosis algorithm based on granular computing | |
KR102345892B1 (ko) | 변화 탐지 방법 및 장치 | |
KR102308752B1 (ko) | 객체 추적 방법 및 장치 | |
US20230169336A1 (en) | Device and method with state transition linearization | |
CN111950582A (zh) | 为分类模型确定扰动掩模 | |
CN111178897A (zh) | 在不平衡数据上进行快速特征学习的代价敏感的动态聚类方法 | |
CN111275189A (zh) | 一种网络表示学习方法、***及装置 | |
CN113449626A (zh) | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 | |
Ghosh et al. | Performance improvement of convolutional neural network using random under sampling | |
Guan et al. | Retrospection of Nonlinear Adaptive Algorithm‐Based Intelligent Plane Image Interaction System | |
You et al. | A new generative neural network for bearing fault diagnosis with imbalanced data | |
US12026624B2 (en) | System and method for loss function metalearning for faster, more accurate training, and smaller datasets | |
Pan et al. | 3DTI-Net: Learn 3D transform-invariant feature using hierarchical graph CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |