《表3 不同模型检测指标对比》
实验结果表明,本文所设计递归残差网络明显优于文献[11,12]使用的网络架构。文献[11]所使用的MMN-CNN架构本质为二维卷积神经网络,将流量数据处理为二维图片数据进行分类,可其是忽略了一个重点,网络流量数据本质为一维时间序列数据,转换为二维数据会丢失流量序列特征,因此分类效果并不佳。文献[12]使用的一维卷积神经网络符合流量数据的本质特征,所以在分类效果明显优于文献[11]。对于本文递归残差网络,由于有短路机制的存在,每次网络进行反向传播学习时,主要的梯度成分都可以通过短路捷径传播,梯度衰减得以抑制,再者模块中的残差块实际上并不会为0,这使得残差块在输入特征的基础上学习新的特征,从而使网络性能得以提升,从实验检测的数据看,嵌入递归残差模块的一维卷积神经网络,准确率较文献[11]提升5个百分点,较文献[12]提升1个百分点。为了更加详细地对比本文算法的检测效果以及对难样本的识别情况,表3详细对比了文献[12]及本文模型在10类恶意流量的检测指标。
图表编号 | XD00198060700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.31 |
作者 | 潘嘉、翟江涛、刘伟伟 |
绘制单位 | 江苏科技大学电子信息学院、南京信息工程大学计算机与软件学院、南京理工大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |