《表2 MLPClassifier和dCNN模型参数》

  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dCNN的入侵检测方法》

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

将训练数据和验证数据合并为正常数据，攻击数据一共包含6种攻击类型，故整个数据集一共包含7种标签类型。采用词袋模型对数据进行特征化，特征化后，每个数据样本包含167个特征。然后，使用数据预处理模块按照图2所示的算法将数据扩展到196个特征并进行填充，再将其转换为14×14的二维数据。取其中30%作为测试集，70%作为训练集。将训练数据送入模型进行40次迭代训练。训练结束后，使用测试集进行测试，并将本文方法测试结果同主流机器学习库Scikit-learn[27]中的MLPClassifier分类器（表3中缩写为MLP）产生的结果进行比较。MLPClassifier采用两个隐藏层，每个隐藏层包含1 000个隐藏神经元，共进行1 000次迭代训练。另外，MLPClassifer使用L2正则化防止过拟合，使用主成分分析进行降维，主成分取k=60。两个模型的参数设置如表2所示。其中:λ为L2正则项系数，ε为ADAM算法修正因子。测试结果如表3所示，其混淆矩阵如图7所示。