基于ResNet深度神经网络的异常检测模型
发布时间:2021-07-01 07:39
针对基于自编码器的异常检测在训练时容易过拟合,进而导致误报率较高的问题,本文提出一种基于残差网络(Residual Network, ResNet)的深度神经网络异常检测模型。该模型训练神经网络学习数据的一部分到另一部分的映射,在训练时,采用固定的切分规则将每个数据切分成A和B两部分,并且选取合适的输出数n,训练神经网络模型对每个输入A,输出n种B的可能,构造相应的代价函数,并加上L2正则化避免过拟合。测试时,计算网络输出到B的误差,通过设定的阈值来划分数据的正常与异常。最后,构造深度神经网络时,用ResNet网络层来避免梯度消失问题。在对KDDCup99数据集的测试中,本文描述的方法能达到较好的检测率及较低的误报率。
【文章来源】:网络新媒体技术. 2020,9(02)
【文章页数】:7 页
【部分图文】:
基于ResNet的深度神经网络
Dist(X)=Dist(A,B)= ∏ i=1 n ( F i (A)-B) 2 (4)其中A, B表示从数据X拆分开来作为输入数据与标签数据的两个部分,假设B有b维,n表示神经网络有n个b维输出,Fi(A)表示神经网络F对输入数据A的第i个b维输出数据,通常n取2到3即可。应注意的是,n并不代表只有n种标签数据与输出数据的差异为0;而是对于标签数据的b维,每个维度有n个数值使该维差异为0,修改后的神经网络模型如图2所示。
模型训练和检测过程
【参考文献】:
期刊论文
[1]基于深度信念网络的异常点集间的匹配算法[J]. 李舫,张挺. 计算机应用. 2018(12)
[2]基于卷积神经网络的网络入侵检测系统[J]. 王明,李剑. 信息安全研究. 2017(11)
[3]入侵检测技术研究综述[J]. 卿斯汉,蒋建春,马恒太,文伟平,刘雪飞. 通信学报. 2004(07)
本文编号:3258728
【文章来源】:网络新媒体技术. 2020,9(02)
【文章页数】:7 页
【部分图文】:
基于ResNet的深度神经网络
Dist(X)=Dist(A,B)= ∏ i=1 n ( F i (A)-B) 2 (4)其中A, B表示从数据X拆分开来作为输入数据与标签数据的两个部分,假设B有b维,n表示神经网络有n个b维输出,Fi(A)表示神经网络F对输入数据A的第i个b维输出数据,通常n取2到3即可。应注意的是,n并不代表只有n种标签数据与输出数据的差异为0;而是对于标签数据的b维,每个维度有n个数值使该维差异为0,修改后的神经网络模型如图2所示。
模型训练和检测过程
【参考文献】:
期刊论文
[1]基于深度信念网络的异常点集间的匹配算法[J]. 李舫,张挺. 计算机应用. 2018(12)
[2]基于卷积神经网络的网络入侵检测系统[J]. 王明,李剑. 信息安全研究. 2017(11)
[3]入侵检测技术研究综述[J]. 卿斯汉,蒋建春,马恒太,文伟平,刘雪飞. 通信学报. 2004(07)
本文编号:3258728
本文链接:https://www.wllwen.com/guanlilunwen/ydhl/3258728.html