CN115242458A - 一种基于shap的1d-cnn网络流量分类模型的可解释方法 - Google Patents

一种基于shap的1d-cnn网络流量分类模型的可解释方法 Download PDF

Info

Publication number
CN115242458A
CN115242458A CN202210748434.4A CN202210748434A CN115242458A CN 115242458 A CN115242458 A CN 115242458A CN 202210748434 A CN202210748434 A CN 202210748434A CN 115242458 A CN115242458 A CN 115242458A
Authority
CN
China
Prior art keywords
model
network traffic
shap
cnn
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210748434.4A
Other languages
English (en)
Other versions
CN115242458B (zh
Inventor
王攀
缪程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210748434.4A priority Critical patent/CN115242458B/zh
Publication of CN115242458A publication Critical patent/CN115242458A/zh
Application granted granted Critical
Publication of CN115242458B publication Critical patent/CN115242458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了一种基于SHAP的1D‑CNN网络流量分类模型的可解释方法，包括：采集网络流量数据并划分为训练集和测试集；采用主客观方式分别对每种网络流量类别的特征进行权重赋值，两者相加得到最终特征权重值；构建1D‑CNN分类模型并基于训练集进行训练，将测试数据输入训练好的模型，基于SHAP对模型预测结果进行解释，根据模型预测的分类结果选取相应网络流量类别的特征权重，再根据SHAP的解释结果，比较正反向推动结果的特征权重值之和来判断模型预测是否合理。本发明实现了对1D‑CNN网络流量分类模型进行解释，验证了模型预测的合理性，提高了模型的准确性和透明性，有效解决了模型黑匣子的问题。

Description

一种基于SHAP的1D-CNN网络流量分类模型的可解释方法
技术领域
本发明涉及人工智能技术领域，具体但不限于涉及一种基于SHAP的1D-CNN网络流量分 类模型的可解释方法。
背景技术
在5G时代下网络快速普及的背景下，互联网中吞吐的海量流量数据种类繁多，增加了 网络流量分类问题的难度，对分类器的速度和准确性提出了更高的要求。如何通过分析网络流 量实现网络态势感知，及时发现网络异常情况并采取针对性处理措施，对于实施网络安全审查 制度，加强网络安全管理，检测和抵御网络入侵，维护国家网络安全等都有着重要意义。
近年来，得益于人工智能的快速发展，研究人员开始将深度学习应用于网络流量分类，深 度学习可以很好的学到流量分类的特征，大大提高了模型的准确性，尽管已经取得了巨大的进 展，但还存在一些亟待解决的问题，尤其是深度学习模型的可解释性，尽管模型最终的准确性 逼近100％，但却无法清楚了解模型是否合理的对流量进行分类，只能盲目相信模型预测的结 果。
有鉴于此，需要提供一种新的方法，以期解决上述至少部分问题。
发明内容
针对现有技术中的一个或多个问题，本发明提出了一种基于SHAP的1D-CNN网络流量分 类模型的可解释方法，能够对1D-CNN网络流量分类模型进行解释，并验证模型预测的合理 性。
实现本发明目的的技术解决方案为：
一种基于SHAP的1D-CNN网络流量分类模型的可解释方法，包括：
步骤1：采集网络流量数据，形成网络流量数据集，提取流量特征，并进行数据预处理，确定网络流量数据的特征维度，再将预处理后的数据集划分为训练集和测试集；
步骤2：采用主观方式与客观方式分别对数据集中每种网络流量类别的特征进行权重赋 值，将主观权重值与客观权重值相加得到每种网络流量类别最终的特征权重值；
步骤3：构建一维卷积神经网络模型1D-CNN，利用卷积和池化交替操作提取网络流量数 据的深度特征，将提取到的特征进行扁平处理输入全连接层，连接Softmax函数实现类别分 类；
步骤4：将训练集数据输入1D-CNN模型中进行迭代训练，当损失函数收敛时形成训练好 的1D-CNN模型；
步骤5：将测试集数据输入到训练好的1D-CNN模型中得到分类结果，基于SHAP解释模型 并结合对应网络流量类别特征的权重值，计算正向推动结果的特征权重值之和与反向推动结 果的特征权重值之和，比并较两者的大小，验证模型预测的合理性。
进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，步骤1中数 据预处理包括：删除数据集中的存在非数值或无限大值的实例，对数据集进行极差标准化处 理。
进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，步骤1中， 采用流量特征提取工具CICflowmeter提取网络流量数据集的流量特征。
进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，步骤2中进 行权重赋值具体包括：
步骤2-1：确定数据集中网络流量的类别的数量；
步骤2-2：主观方式赋值：根据理论知识分别设置每种网络流量类别的特征权重值，对符 合特定网络流量类别的特征权重赋值为1，其余特征权重赋值为0；
步骤2-3：客观方式赋值：采用皮尔逊相关系数法分别计算每种网络流量类别的特征值与 目标值之间的相关系数，将相关系数值作为对应网络流量类别的客观特征权重值；
步骤2-4：将主观权重值与客观权重值相加，得到最后的特征权重值。
进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，步骤3中1D- CNN模型包括4个卷积层、2个最大池化层和一个全连接层构成，其中，2个卷积层与1个最 大池化层依次相结合并作为一模块层，全连接层设置在两个模块层之后。
进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，所述卷积层 的激活函数为Relu，所述全连接层的激活函数为Softmax。
进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，步骤5的解 释模型具体包括：
步骤5-1：将测试集数据输入到训练好的1D-CNN模型中，得到分类结果，根据分类结果 选取对应网络流量类别的特征权重值；
步骤5-2：基于解释模型SHAP对1D-CNN模型的分类结果进行解释，得到解释结果，根 据SHAP的解释结果，将SHAP值大于0的特征i划分为正向推动结果的特征，将SHAP值小于0的特征j划分为反向推动结果的特征；
步骤5-3：计算正向推动结果的特征权重值之和Fx与反向推动结果的特征权重值之和 Bx，再计算两者的差值θ，公式如下：
Figure BDA0003717444440000031
Figure BDA0003717444440000032
θ＝Fx-Bx
其中，x表示输入的测试样本，Wx表示该样本的特征权重值集合，M表示数据集特征的 个数，φi表示特征的SHAP值；
步骤5-4：如果θ≥0，则判断1D-CNN模型预测合理，否则，判断1D-CNN模型预测不合理，重新调整1D-CNN模型参数，重复步骤3至步骤5。本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法通过对不同类别的网络流 量数据设置特征权重值，基于SHAP对模型预测的解释结果，计算正向推动结果的特征权重 值之和与反向推动结果的特征权重值之和，比较两者的大小来验证模型预测的合理性，提升模 型的透明性，有效解决了模型黑匣子的问题。
附图说明
附图用来提供对本发明的进一步理解，与说明描述一起用于解释本发明的实施例，并不构 成对本发明的限制。在附图中：
图1为本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法的流程图。
图2是本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法中设置特征权重值 的流程图。
图3是本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法中的1D-CNN模型 图。
图4是本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法中的解释模型流程 图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理 解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。不同实 施例的组合、不同实施例中的一些技术特征进行相互替换，相同或相近的现有技术手段与实施 例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
一种基于SHAP的1D-CNN网络流量分类模型的可解释方法，如图1所示，包括以下步骤：
步骤1：数据预处理，获取真实应用的网络流量数据，并使用流量特征提取工具CICflowmeter提取出流量特征，去除样本中存在非数值或无限大值的实例，存放在新的csv文件中，并对数据进行极差标准化处理。确定网络流量数据的特征维度，划分训练集和测试集。
步骤2：设置权重值，对数据集中每种网络流量类别的特征进行权重赋值，采用主观与 客观相结合的方式对每种网络流量类别的特征进行权重赋值，将主观权重值与客观权重值相 加得到最后的特征权重值。
步骤3：构建模型，构建1D-CNN模型，利用卷积神经网络对网络流量数据学习分类特 征；
步骤4：训练模型，将训练数据输入所构建的1D-CNN模型中，进行迭代训练，得到训练 好的模型。
步骤5：解释模型，将测试数据输入到训练好的1D-CNN模型中得到分类结果，基于SHAP并结合对应网络流量类别特征的权重值，计算正向推动结果的特征权重值之和与反向推 动结果的特征权重值之和大小，比较两者的大小，验证模型预测的合理性；
根据本发明优选的，如图2所示，步骤2设置特征权重值主包括以下步骤：
步骤2.1：确定数据集中一共有几种类别的网络流量；
步骤2.2：主观方式设置权重值，根据理论知识分别对每种网络流量类别进行设置，给 符合特定网络流量类别的特征权重赋值为1，其余特征权重赋值为0；
步骤2.3：客观方式设置权重值，采用皮尔逊相关系数法分别计算每种网络流量类别特 征值与目标值之间的相关系数，将这个系数值作为对应网络流量类别的客观特征权重值。
步骤2.4：将主观权重值与客观权重值相加得到最后的特征权重值。
根据本发明优选的，步骤3构建1D-CNN模型。模型中共有4个卷积层，2个最大池化层 和1个全连接层构成，2个卷积层与1个池化层结合以交替方式出现，卷积层的激活函数为 Relu，全连接层的激活函数为Softmax用于分类。
根据本发明优选的，如图4所示，步骤5解释模型主要包括以下步骤：
步骤5.1：将测试数据输入到训练好的1D-CNN模型中，结合SHAP对模型预测结果进行 解释。
步骤5.2：根据模型分类的结果，选取对应网络流量类别的特征权重值，再根据SHAP解 释的结果，其中将SHAP值大于0的特征i划分为正向推动结果的特征，将SHAP值小于0的 特征j划分为反向推动结果的特征。计算正向推动结果的特征权重值之和Fx与反向推动结 果的特征权重值之和Bx，计算两者的差值。其原理可描述为：
Figure BDA0003717444440000051
Figure BDA0003717444440000052
θ＝Fx-Bx
步骤5.3：如果θ大于等于0，则判断模型预测是合理的，否则模型不合理。如果判断的结果显示模型预测不合理，重新调整模型参数，重复步骤3-5。
为了证明本发明的方法是具有真实应用特征的，本实施例对加拿大网络安全研究所公开 的流量数据集CIC-IDS-2017进行预处理，采集一个包含正常流量和DDos攻击流量的二分类 数据集。
对上述数据集进行数据预处理操作，该数据集包含78个流量特征，对采集的二分类数 据集进行权重赋值。
DDos网络流的主要特征是短时间内高连接数，服务器无法正常响应，主观的将一些与连 接时间，返回数据包长度等相关的特征设置权重为1，其他特征设置权重为0，得到主观权 重值。
采用皮尔逊相关系数法分别计算正常流量和DDos流量特征值与目标值之间的系数，将 得到的系数作为特征的客观权重值。
将主观权重值与客观权重值相加得到最后的特征权重值。
将测试数据输入到训练好的1D-CNN模型当中，得到分类结果，选取对应网络流量类别 的特征权重值，根据SHAP对模型预测结果的解释，计算正向推动结果的特征权重值之和与 反向推动结果的特征权重值之和，如果前者大于等于后者，则判断模型预测是合理的，否则 模型不合理。如果判断的结果显示模型预测不合理，需重新调整模型参数。
本发明通过对不同类别的网络流量数据设置特征权重值，基于SHAP对模型预测的解释 结果，计算正向推动结果的特征权重值之和与反向推动结果的特征权重值之和，比较两者的 大小，来验证模型预测的合理性，提升模型的透明性，有效解决了模型黑匣子的问题。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。说明 书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实 际实验例中不能体现，效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施 例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种 部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下， 本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离 本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (7)

1.一种基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，包括：
步骤1：采集网络流量数据，形成网络流量数据集，提取流量特征，并进行数据预处理，确定网络流量数据的特征维度，再将预处理后的数据集划分为训练集和测试集；
步骤2：采用主观方式与客观方式分别对数据集中每种网络流量类别的特征进行权重赋值，将主观权重值与客观权重值相加得到每种网络流量类别最终的特征权重值；
步骤3：构建一维卷积神经网络模型1D-CNN，利用卷积和池化交替操作提取网络流量数据的深度特征，将提取到的深度特征进行扁平处理输入全连接层，连接Softmax函数实现类别分类；
步骤4：将训练集数据输入1D-CNN模型中进行迭代训练，当损失函数收敛时形成训练好的1D-CNN模型；
步骤5：将测试集数据输入到训练好的1D-CNN模型中得到分类结果，基于SHAP解释模型并结合对应网络流量类别特征的权重值，计算正向推动结果的特征权重值之和与反向推动结果的特征权重值之和，比并较两者的大小，验证模型预测的合理性。
2.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤1中数据预处理包括：删除数据集中的存在非数值或无限大值的实例，对数据集进行极差标准化处理。
3.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤2中进行权重赋值具体包括：
步骤2-1：确定数据集中网络流量的类别的数量；
步骤2-2：主观方式赋值：根据理论知识分别设置每种网络流量类别的特征权重值，对符合特定网络流量类别的特征权重赋值为1，其余特征权重赋值为0；
步骤2-3：客观方式赋值：采用皮尔逊相关系数法分别计算每种网络流量类别的特征值与目标值之间的相关系数，将相关系数值作为对应网络流量类别的客观特征权重值；
步骤2-4：将主观权重值与客观权重值相加，得到最后的特征权重值。
4.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤3中1D-CNN模型包括4个卷积层、2个最大池化层和一个全连接层构成，其中，2个卷积层与1个最大池化层依次相结合并作为一模块层，全连接层设置在两个模块层之后。
5.根据权利要求4所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，所述卷积层的激活函数为Relu，所述全连接层的激活函数为Softmax。
6.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤5的解释模型的步骤具体包括：
步骤5-1：将测试集数据输入到训练好的1D-CNN模型中，得到分类结果，根据分类结果选取对应网络流量类别的特征权重值；
步骤5-2：基于解释模型SHAP对1D-CNN模型的分类结果进行解释，得到解释结果，即每个特征的SHAP值，将SHAP值大于0的特征i划分为正向推动结果的特征，将SHAP值小于0的特征j划分为反向推动结果的特征；
步骤5-3：计算正向推动结果的特征权重值之和Fx与反向推动结果的特征权重值之和Bx，再计算两者的差值θ，公式如下：
Figure FDA0003717444430000021
Figure FDA0003717444430000022
θ＝Fx-Bx
其中，x表示输入的测试样本，Wx表示该样本的特征权重值集合，M表示数据集特征的个数，φi表示特征的SHAP值；
步骤5-4：如果θ≥0，则判断1D-CNN模型预测合理，否则，判断1D-CNN模型预测不合理，重新调整1D-CNN模型参数，重复步骤3至步骤5。
7.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤1中，采用流量特征提取工具CICflowmeter提取网络流量数据集的流量特征。
CN202210748434.4A 2022-06-28 2022-06-28 一种基于shap的1d-cnn网络流量分类模型的可解释方法 Active CN115242458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748434.4A CN115242458B (zh) 2022-06-28 2022-06-28 一种基于shap的1d-cnn网络流量分类模型的可解释方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748434.4A CN115242458B (zh) 2022-06-28 2022-06-28 一种基于shap的1d-cnn网络流量分类模型的可解释方法

Publications (2)

Publication Number Publication Date
CN115242458A true CN115242458A (zh) 2022-10-25
CN115242458B CN115242458B (zh) 2023-07-07

Family

ID=83671433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748434.4A Active CN115242458B (zh) 2022-06-28 2022-06-28 一种基于shap的1d-cnn网络流量分类模型的可解释方法

Country Status (1)

Country Link
CN (1) CN115242458B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115728463A (zh) * 2022-12-01 2023-03-03 哈尔滨工业大学 一种基于半嵌入式特征选择的可解释性水质预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428789A (zh) * 2020-03-25 2020-07-17 广东技术师范大学 一种基于深度学习的网络流量异常检测方法
US10778705B1 (en) * 2019-04-05 2020-09-15 Hoseo University Academic Cooperation Foundation Deep-learning-based intrusion detection method, system and computer program for web applications
CN112733917A (zh) * 2020-12-31 2021-04-30 杭州电子科技大学 一种基于shap特征优化的信道均衡方法
US20210358032A1 (en) * 2020-02-03 2021-11-18 Strong Force TX Portfolio 2018, LLC Automated robotic process selection and configuration

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10778705B1 (en) * 2019-04-05 2020-09-15 Hoseo University Academic Cooperation Foundation Deep-learning-based intrusion detection method, system and computer program for web applications
US20210358032A1 (en) * 2020-02-03 2021-11-18 Strong Force TX Portfolio 2018, LLC Automated robotic process selection and configuration
CN111428789A (zh) * 2020-03-25 2020-07-17 广东技术师范大学 一种基于深度学习的网络流量异常检测方法
CN112733917A (zh) * 2020-12-31 2021-04-30 杭州电子科技大学 一种基于shap特征优化的信道均衡方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115728463A (zh) * 2022-12-01 2023-03-03 哈尔滨工业大学 一种基于半嵌入式特征选择的可解释性水质预测方法

Also Published As

Publication number Publication date
CN115242458B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN112308158B (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN110929848B (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN113806746A (zh) 基于改进cnn网络的恶意代码检测方法
CN112087447A (zh) 面向稀有攻击的网络入侵检测方法
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN113194094B (zh) 一种基于神经网络的异常流量检测方法
CN113364751A (zh) 网络攻击预测方法、计算机可读存储介质及电子设备
CN115242458B (zh) 一种基于shap的1d-cnn网络流量分类模型的可解释方法
CN113283524A (zh) 一种基于对抗攻击的深度神经网络近似模型分析方法
CN113269228A (zh) 一种图网络分类模型的训练方法、装置、系统及电子设备
CN114299305A (zh) 聚合密集和注意力多尺度特征的显著性目标检测算法
CN114492581A (zh) 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法
CN113239949A (zh) 一种基于1d分组卷积神经网络的数据重构方法
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统
CN114722920A (zh) 一种基于图分类的深度图卷积模型钓鱼账户识别方法
CN115240271A (zh) 基于时空建模的视频行为识别方法与系统
CN112101559B (zh) 一种基于机器学习的案件罪名推断方法
CN115131556A (zh) 一种基于深度学习的图像实例分割方法
CN115131646A (zh) 基于离散系数的深度网络模型压缩方法
CN115600134A (zh) 基于域动态对抗自适应的轴承迁移学习故障诊断方法
CN114265954A (zh) 基于位置与结构信息的图表示学习方法
CN114124437A (zh) 基于原型卷积网络的加密流量识别方法
CN113746813B (zh) 基于两阶段学习模型的网络攻击检测系统及方法
CN114565094A (zh) 基于全局关系知识蒸馏的模型压缩方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant