可变融合的随机注意力胶囊网络入侵检测模型

发布时间：2022-01-17 02:20

　　为了增强检测模型的准确率与泛化性,提出了一种可变融合的随机注意力胶囊网络的入侵检测模型,通过特征动态融合,模型能够更好地捕捉数据特征;同时使用随机注意力机制,减少了对训练数据的依赖,使模型更具有泛化能力。所提模型在NSL-KDD和UNSW-NB15数据集上进行验证,实验表明,模型在2种测试集上的准确率分别达到了99.49%和98.60%。 

【文章来源】：通信学报. 2020,41(11)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

随机注意力机制

本文中的动态路由机制的与文献[11]中相似，但是为了使动态过程更加接近入侵检测的数据，本文对压缩函数Squashing进行了修改，如图3所示。使用x和y分别代表压缩函数中的sj和vj,x和y都是标量，在二维坐标系下研究函数的性质。从图3中可以发现，原始的压缩函数在处理模长较短的胶囊时，会把数值压缩到0附近，这样的全局压缩会导致在迭代更新时丢失部分胶囊的重要信息，同时函数增长速率过缓，对于模长比较短和模长比较长的胶囊会有明显的区分，但却不能很好地区分中间长度的胶囊，并且影响迭代速度。为了解决这个问题，本文对原来的压缩方法进行了调整，改进的压缩方法如式(12)所示，函数图像如图4所示。此压缩函数的特点是在模长接近0时起到了放大作用，不像原来函数一样进行全局压缩，导致部分信息被忽略。

为了解决这个问题，本文对原来的压缩方法进行了调整，改进的压缩方法如式(12)所示，函数图像如图4所示。此压缩函数的特点是在模长接近0时起到了放大作用，不像原来函数一样进行全局压缩，导致部分信息被忽略。在输出层部分，本文并没有采用原始胶囊网络中的重构操作，因为在特征提取过程中融合了全局特征，重构后将会带来一定的误差，分类的预测结果依旧采用vj模长的形式来表示，在损失函数部分，本文只使用了如式(13)所示的Margin Loss函数。


本文编号：3593858