基于生成对抗网络的半监督网络流量异常检测方法.pdf
雨巷****珺琦
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于生成对抗网络的半监督网络流量异常检测方法.pdf
本发明提供了一种基于生成对抗网络的半监督网络流量异常检测方法,首先将网络流量特征进行工程化,即对于字符特征使用one‑hot编码,对于数值特征用归一化处理,再将处理后的特征输入聚合模块中形成新特征进入生成对抗网络,最后通过计算生成对抗网络中两个隐藏向量的重构误差判断流量是否异常。本发明的方法能将数据从高维转向低维空间的同时能更加有效地保留流量特征信息,在解决有监督深度学习无法识别未知流量的同时提升异常网络流量检测的精确度。
一种基于对抗掩码的网络流量异常检测系统与方法.pdf
本发明公开了一种基于对抗掩码的网络流量异常检测系统与方法,涉及网络流量异常检测领域,所述系统包括上游的前置模型和下游的分类检测模型;前置模型包括对抗掩码生成模块、编码器网络、特征向量评估模块和掩码向量评估模块;分类检测模型包括训练过的编码器网络,以及分类器。所述方法包括:步骤1、对原始数据集进行数据预处理;步骤2、构建对抗掩码生成模块;步骤3、应用预先设计的对抗攻击算法,对训练数据集中的每一个原始样本生成一个相应的对抗样本;步骤4、完成编码器网络以及特征向量评估模块和掩码向量评估模块的训练;步骤5、将分类
一种基于生成对抗网络的网络流量生成方法.pdf
本发明公开了一种基于生成对抗网络的网络流量生成方法。该方法为:对数据集进行预处理,包括属性特征评估、文本转化为数值、缺失值处理、特征数据归一化;设计面向网络流量生成的生成对抗网络模型架构,包括生成器模块、鉴别器模块和网络奖励机制;接着训练网络模型,分为模型预训练和正式训练两个阶段;对生成的流量数据进行数据评估和筛选,包括质量评估、相似性评估和标记评估,筛选合格样本形成标记流量集。本发明使用WGAN‑GP来设计模型,并结合LSTM进一步学习网络流量序列的时间特性,使得生成的网络流量数据在分类标记、真实性以及
基于能量和镜像生成对抗网络的异常检测方法.pdf
本发明公开了一种基于能量和镜像生成对抗网络的异常检测方法。所提出的方法包括三部分,第一部分是利用聚类算法将原始数据分成多簇,分别进行后续处理以排除簇间空隙的影响。第二部分用神经网络构建镜像生成对抗网络并引入能量的思想,利用正常的数据进行迭代训练,生成位于边缘的关键异常点,加入到原始数据集中,达到类别平衡的目的。第三部分是构建异常检测器,利用生成异常点及数据集的正常点,进行迭代训练,异常点所处的关键边缘位置,可以使异常检测器学习到正异常的分界信息,从而对未知异常具备良好的检测能力。本发明实现了更高效率的关键
基于光照生成对抗网络的课堂听课异常检测方法.pdf
本发明公开了一种基于光照生成对抗网络的课堂听课异常检测方法,包括有以下步骤:采集真实课堂头部姿态数据、渲染光照课堂头部姿态数据、构建光照生成对抗网络、产生生成对抗样本、构建头部姿态检测模型、课堂头部姿态检测、课堂听课异常检测。本发明通过使用深度神经网络,提高了对头部区域定位的准确性,降低非头部区域对不听课状态判断的干扰。