《表3 模型回归系数:基于AutoEncoder和ResNet的网络入侵检测方法》
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AutoEncoder和ResNet的网络入侵检测方法》
/%
c)五种分类模型具体检测结果如表3所示。本文AE-ResNet模型对测试样本的最终测试结果为:AC为94.57%,TPR为92.88%,FPR为0.45%。实验结果表明,AE-ResNet模型在准确率、真正率和误报率三个指标上都是表现最优的。传统机器学习算法SVM和随机森林整体表现不如卷积神经网络模型,而没有经过AutoEncoder特征选择的卷积神经网络模型LeNet-5和ResNet,虽然准确率比前两个算法有所提升,但是整体还不够理想。总而言之,本文设计的经过自动编码器特征选择的残差网络模型有效降低了数据特征的复杂性,并且在三个指标上都有明显优势,分类效果理想。
图表编号 | XD00198060200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.31 |
作者 | 周珮、周志平、王利、赵卫东 |
绘制单位 | 同济大学电子与信息工程学院、同济大学电子与信息工程学院、同济大学电子与信息工程学院、同济大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |