基于改进VGG16神经网络的异常检测模型研究
发布时间：2021-04-10 19:00
近年来,互联网在不断快速发展,对网络的管理显得愈加重要,从业人员愈加重视网络安全问题。异常检测模型可对网络攻击进行检测,对ImageNet VGG16模型进行改进,建立一种基于改进VGG16的异常检测模型,并在ISCX2012数据集上进行训练,通过计算F1值,取得不错的训练效果。
【文章来源】：现代计算机. 2020,(30)
【文章页数】：6 页
【部分图文】：
ISCX2012数据集中的一条请求（XML格式）22.2训练环境
熵（CrossEntropy），基于Model模块的Summary函数可对VGG16模型的各层神经网络结构进行可视化，表1所示为模型中各层结构与参数（以流量灰度图分辨率75×75为例）。22.4仿真检测实验及结果训练完成后，如图6所示为不同输入图像分辨率下的误差情况，共计进行迭代3000次。图像分辨率为256×256和128×128时，效果并不理想。当输入图像的分辨率为75×75时，进行到2800次迭代时，模型能达到最小误差。表1VGG16结构及参数情况图6不同图像分辨率下的误差情况如图7所示为模型的准确率情况。分辨率为128×128和256×256的输入图像在迭代次数为2500次时，达到最高准确率大约为75%，而流量灰度图分辨率为75×75时，在经历2850次迭代后，准确率达到91%。综合模型准确率和模型误差的分析，因此流量灰度图分辨率为75×75时，模型的训练效果最佳。图7不同图像分辨率下的准确率情况
榭鱿拢??值为0。通过模型损失函数的迭代与计算，参数将进一步优化，直到小于指定误差或达到最大迭代次数为止。11.3模型的不足与优化在VGG16卷积神经网络中，每一层网络的权重和结点值都需要进行训练，包含三个全连接层，而前两个全连接层每层都拥有多达4096个结点，造成全连接层的训练时间过长，同时全连接层也可能会破坏输入图片的空间结构。Softmax分类层可分类的数量为1000，并不符合异常检测二分类的特点。本文对传统VGG16模型进行改进，提出改进VGG16神经网络的异常检测模型，如图2所示。图2改进后的VGG16异常检测模型首先，传统的VGG16深度卷积神经网络是基于ImageNet图片数据集训练而成，拥有十分强大的特征学习能力，特别是卷积层对于输入图片的曲线、边缘和轮廓的提取，在每一层中都拥有已经训练好的参数和权重。本文将训练好的ImageNet模型作为预训练模型，使用迁移学习将原模型的卷积层参数移植到本模型。其次，异常检测模型的输出分类结果为异常与正常，改进后的模型使用二分类的Softmax来代替原网络的Softmax分类层。第三，针对异常检测的特点对原模型全连接层进行改进，将一个128结点的全连接层替代原模型的前两个全连接层。第四，为了加快模型的训练速度同时保证模型准确率，学习率的优化方法采用RMS（RootMeanSquare），此方法进一步优化了损失函数在更新过程中所存在的摆动幅度过大的问题，并加快了函数的收敛速度，RMS算法对偏置和权重使用了微分平分加权平均数的方法。2训练结果与分析22.1数据集数据集选择为ISCX2012，此数据集是由纽布伦斯威克大学所开发出的网络安全数据集，数据集内包含不同形式的攻击请求与
【参考文献】：
期刊论文
[1]基于BP神经网络的汽车售后业务成本预测[J]. 褚福舜,吴奇石,王浩雨. 现代计算机. 2019(20)
[2]基于单分类支持向量机和主动学习的网络异常检测研究[J]. 刘敬,谷利泽,钮心忻,杨义先. 通信学报. 2015(11)
硕士论文
[1]数据驱动的配件价值链库存管控技术研究[D]. 王浩雨.西南交通大学 2019
[2]基于隐马尔可夫模型的网络安全态势预测方法研究[D]. 张晴.河北师范大学 2019
[3]基于聚类分析的入侵检测系统研究与改进[D]. 李景超.西安电子科技大学 2019
本文编号：3130170
【文章来源】：现代计算机. 2020,(30)
【文章页数】：6 页
【部分图文】：
ISCX2012数据集中的一条请求（XML格式）22.2训练环境
熵（CrossEntropy），基于Model模块的Summary函数可对VGG16模型的各层神经网络结构进行可视化，表1所示为模型中各层结构与参数（以流量灰度图分辨率75×75为例）。22.4仿真检测实验及结果训练完成后，如图6所示为不同输入图像分辨率下的误差情况，共计进行迭代3000次。图像分辨率为256×256和128×128时，效果并不理想。当输入图像的分辨率为75×75时，进行到2800次迭代时，模型能达到最小误差。表1VGG16结构及参数情况图6不同图像分辨率下的误差情况如图7所示为模型的准确率情况。分辨率为128×128和256×256的输入图像在迭代次数为2500次时，达到最高准确率大约为75%，而流量灰度图分辨率为75×75时，在经历2850次迭代后，准确率达到91%。综合模型准确率和模型误差的分析，因此流量灰度图分辨率为75×75时，模型的训练效果最佳。图7不同图像分辨率下的准确率情况
榭鱿拢??值为0。通过模型损失函数的迭代与计算，参数将进一步优化，直到小于指定误差或达到最大迭代次数为止。11.3模型的不足与优化在VGG16卷积神经网络中，每一层网络的权重和结点值都需要进行训练，包含三个全连接层，而前两个全连接层每层都拥有多达4096个结点，造成全连接层的训练时间过长，同时全连接层也可能会破坏输入图片的空间结构。Softmax分类层可分类的数量为1000，并不符合异常检测二分类的特点。本文对传统VGG16模型进行改进，提出改进VGG16神经网络的异常检测模型，如图2所示。图2改进后的VGG16异常检测模型首先，传统的VGG16深度卷积神经网络是基于ImageNet图片数据集训练而成，拥有十分强大的特征学习能力，特别是卷积层对于输入图片的曲线、边缘和轮廓的提取，在每一层中都拥有已经训练好的参数和权重。本文将训练好的ImageNet模型作为预训练模型，使用迁移学习将原模型的卷积层参数移植到本模型。其次，异常检测模型的输出分类结果为异常与正常，改进后的模型使用二分类的Softmax来代替原网络的Softmax分类层。第三，针对异常检测的特点对原模型全连接层进行改进，将一个128结点的全连接层替代原模型的前两个全连接层。第四，为了加快模型的训练速度同时保证模型准确率，学习率的优化方法采用RMS（RootMeanSquare），此方法进一步优化了损失函数在更新过程中所存在的摆动幅度过大的问题，并加快了函数的收敛速度，RMS算法对偏置和权重使用了微分平分加权平均数的方法。2训练结果与分析22.1数据集数据集选择为ISCX2012，此数据集是由纽布伦斯威克大学所开发出的网络安全数据集，数据集内包含不同形式的攻击请求与
【参考文献】：
期刊论文
[1]基于BP神经网络的汽车售后业务成本预测[J]. 褚福舜,吴奇石,王浩雨. 现代计算机. 2019(20)
[2]基于单分类支持向量机和主动学习的网络异常检测研究[J]. 刘敬,谷利泽,钮心忻,杨义先. 通信学报. 2015(11)
硕士论文
[1]数据驱动的配件价值链库存管控技术研究[D]. 王浩雨.西南交通大学 2019
[2]基于隐马尔可夫模型的网络安全态势预测方法研究[D]. 张晴.河北师范大学 2019
[3]基于聚类分析的入侵检测系统研究与改进[D]. 李景超.西安电子科技大学 2019
本文编号：3130170
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3130170.html
