《表3 不同模型检测指标对比》

  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

《基于改进递归残差网络的恶意流量分类算法》

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

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。