《表5 基于强化学习方法的入侵检测解决问题对比》
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。
图表编号 | XD00156803000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 蹇诗婕、卢志刚、杜丹、姜波、刘宝旭 |
绘制单位 | 中国科学院信息工程研究所、中国科学院大学网络空间安全学院、中国科学院信息工程研究所、中国科学院大学网络空间安全学院、中国科学院信息工程研究所、中国科学院信息工程研究所、中国科学院大学网络空间安全学院、中国科学院信息工程研究所、中国科学院大学网络空间安全学院 |
更多格式 | 高清、无水印(增值服务) |