《表4 基于CAE识别模型相关参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积自编码的Open VPN加密流量识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

无监督预训练阶段基于卷积自编码，如图7所示，包含编码器（Encode）及解码器（Decode）两个神经网络，编码器负责从图片样本中提取隐层特征，解码器负责从隐层特征重建样本。实验过程中，从无标签数据集S1中提取隐层特征，各卷积操作和多层感知器权重使用Xavier方法初始化[16]，使各层输出方差大致相等。mini-batch尺寸调整为100，选择200个epochs，优化器选择Adam算法，能基于训练数据迭代更新神经网络权值。最小化重构误差使用binary cross entropy二元交叉熵损失函数，具体参数如表4所示。共经过4个卷积组和反卷积组操作，并利用6层MLP实现从高阶特征到隐层特征的映射，其中编码网络、解码网络各3层。其中，输入会话图像尺寸39*39，经过卷积组1后变为32个尺寸为13*13的特征图，经过卷积组2后变换64个尺寸为5*5的特征图，经过卷积组3后变换成128个尺寸为3*3的特征图，经过卷积组4后变换成256个尺寸为1*1的特征图。经过平铺等全连接操作后变为64维隐层特征。解码网络是编码网络的逆过程。为避免过拟合，在输出层之前使用Dropout值为0.5。