基于擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)模型

摘要： 目的 提出一種基于DCNN-MiLSTM的異常檢測(cè)模型，解決傳統(tǒng)的網(wǎng)絡(luò)異常檢測(cè)模型難以處理具有時(shí)序特征網(wǎng)絡(luò)流量數(shù)據(jù)的問題。方法 對(duì)原始流量數(shù)據(jù)的時(shí)間標(biāo)簽進(jìn)行重定義，利用擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)對(duì)整體特征進(jìn)行提取，同時(shí)引入Mogrifier LSTM網(wǎng)絡(luò)，對(duì)時(shí)序信息進(jìn)行深層次挖掘。結(jié)果 與其他異常檢測(cè)模型相比，DCNN-MiLSTM模型的準(zhǔn)確率達(dá)到99.12%,召回率為98.94%,F_... （共7頁）