近年来,网络安全检测已经取得了很大的进步。然而,网络迅速的发展、流量分布的变化和数据样本中的噪声等问题都对现有方法提出了很大的挑战。针对此,提出了基于非对称分解卷积的网络安全检测(Network Security Detection Based on Asymm...近年来,网络安全检测已经取得了很大的进步。然而,网络迅速的发展、流量分布的变化和数据样本中的噪声等问题都对现有方法提出了很大的挑战。针对此,提出了基于非对称分解卷积的网络安全检测(Network Security Detection Based on Asymmetric Decomposed Convolution,ADC-NSD)方法。ADC-NSD方法根据对网络连接数据的训练与学习,生成区别常态与危险状态的安全检测模型,通过对卷积神经网络中的卷积核进行分解,完成对数据进行解析和检测。最后,以KDDCUP99为测试数据集,将ADC-NSD方法与其他机器学习方法进行比较。实验结果表明,ADC-NSD方法能有效地解决网络安全检测问题,总体精确率为98.72%,准确率为99.92%,召回率为94.61%,F1值为97.19%。展开更多
文摘近年来,网络安全检测已经取得了很大的进步。然而,网络迅速的发展、流量分布的变化和数据样本中的噪声等问题都对现有方法提出了很大的挑战。针对此,提出了基于非对称分解卷积的网络安全检测(Network Security Detection Based on Asymmetric Decomposed Convolution,ADC-NSD)方法。ADC-NSD方法根据对网络连接数据的训练与学习,生成区别常态与危险状态的安全检测模型,通过对卷积神经网络中的卷积核进行分解,完成对数据进行解析和检测。最后,以KDDCUP99为测试数据集,将ADC-NSD方法与其他机器学习方法进行比较。实验结果表明,ADC-NSD方法能有效地解决网络安全检测问题,总体精确率为98.72%,准确率为99.92%,召回率为94.61%,F1值为97.19%。
