《表3 误报率与参数对比:轻量级卷积神经网络架构在入侵检测上的应用》
由表3可以看出,提出的Speed Net误报率比CNN、RNN-IDS要低,比Squeeze Net的误报率高0.38%的情况下,参数量降低了将近3倍,同时提出的两种变形框架也有较好的检测效果.新提出的Speed Net误报率表现优于传统网络架构,其原因在于传统的神经网络架构由于参数量较大,在学习的过程中产生了过拟合现象;而优于Squeeze Net网络,其原因在于Speed Net最大化降低学习参数的同时,纵向加深了网络学习的深度,有利于降低检测误报率.
图表编号 | XD00226221300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 陈思、王怀彬、柳爽 |
绘制单位 | 天津理工大学计算机科学与工程学院、天津理工大学计算机科学与工程学院、天津理工大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |