基于改进双线性卷积神经网络的恶意网络流量分类算法

发布时间：2024-02-25 05:02

　　文章提出一种改进的双线性卷积神经网络,用于恶意网络流量分类。该网络采用跨层多特征融合的设计思想,首先使用两个基于VGG-Net(网络A、网络B)的神经网络进行特征提取,连接跨层多特征融合模块进行特征融合,提高特征表达能力;然后通过多次迭代优化训练网络模型至拟合状态;最后利用训练至拟合的网络模型对测试集进行分类检测,得出分类结果。实验表明,该算法在恶意网络流量分类中具有较高的准确率、精确率和F值。

【文章页数】：8 页

【部分图文】：

图1IBCNN网络结构

本文的IBCNN结构如图1所示，由网络A、网络B和跨层多特征融合模块组成。网络A和网络B都以VGG-Net[16]为基础框架，各包含13个卷积层（Conv）和4个最大池化层（Maxpool）。为方便表述，将这些功能层划分为5个单元模块，每个功能层的详细参数设置如表1所示。为了避免....

图2IBCNN训练过程

IBCNN模型的训练由两部分组成，分别为训练数据由网络浅层次向深层次的向前传播过程和训练误差由网络深层次向浅层次的反向传播过程。训练过程如图2所示。1.2.1向前传播

图3IBMNTCM流程

本文提出一种以IBCNN为核心的恶意网络流量分类模型（IBMNTCM），该模型由数据预处理单元、IBCNN训练单元和分类检测单元3部分组成。IBMNTCM流程如图3所示。数据预处理单元主要负责去除冗余数据及经过取舍的数据，并调整数据大小使其满足IBCNN的输入要求。IBCNN训练....

图4混淆矩阵

对于网络模型分类效果的评价在深度（机器）学习领域中有统一的评价指标。本文采用的评价指标有准确率（Accuracy,AC）、精确率（Precision,P）、召回率（Recall,R）、F-Score，这4个关键指标可以通过混淆矩阵计算。混淆矩阵的形式如图4所示，矩阵中的每一行代表....

本文编号：3910120