《表5 基于强化学习方法的入侵检测解决问题对比》

  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

《网络入侵检测技术综述》

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

如表5所示，基于强化学习的入侵检测研究才刚刚起步。一方面，深度强化学习结合了深度学习的感知能力和强化学习的决策能力，能够通过端对端的学习方式来实现从原始输入到输出的控制。随着深度学习领域的不断发展，深度强化学习方法会朝着模块复杂化、结构多样化的方向发展。基于深度强化学习的入侵检测方法能够具有类似高度非线性模型的预测性能，预测耗费时间更少，且能够处理高度不平衡的数据，因此非常具有发展前景。另一方面，深度强化学习自身也存在采样效率较低、奖励函数的设置困难、目标局部最优等问题。尤其是在入侵检测场景中，当前的强化学习技术难以检测新的和复杂的分布式攻击行为，且模型检测的性能不佳。因此，基于强化学习的入侵检测研究仍有待进一步的探索。