CN115694985A - 基于tmb的混合网络流量攻击预测方法 - Google Patents
基于tmb的混合网络流量攻击预测方法 Download PDFInfo
- Publication number
- CN115694985A CN115694985A CN202211344093.0A CN202211344093A CN115694985A CN 115694985 A CN115694985 A CN 115694985A CN 202211344093 A CN202211344093 A CN 202211344093A CN 115694985 A CN115694985 A CN 115694985A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- model
- network attack
- attention mechanism
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000000306 recurrent effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时间卷积网络和多头注意力机制的网络攻击预测方法,特别是一种基于结合时间卷积神经网络(Temporal Convolutional Network,TCN),多头注意力机制(Multi‑head SelfAttention)和双向门控循环神经网络(Bi‑direction Gated Recurrent Unit,Bi‑GRU)的混合网络攻击预测方法TMB。首先,对原始数据采用Savitzky‑Golay滤波器去除噪声。其次,将数据使用归一化操作,并通过滑动窗口将归一化后的数据转化为有监督数据。再次,搭建混合网络攻击模型TMB,该模型由TCN,多头注意力机制和Bi‑GRU组成。通过模型对网络攻击数据的迭代训练,最终得到预测模型。最后,利用该模型预测未来的网络攻击数量,最终获取准确度较高的网络攻击预测结果。
Description
技术领域
本发明涉及一种基于时间卷积网络,多头注意力机制和双向门控循环神经网络的网络攻击预测方法。更具体地,涉及基于TMB的混合网络流量攻击预测方法。
背景技术
网络攻击是针对计算机信息系统、基础设施、计算机网络或个人计算机设备的攻击性行动。随着云服务使用的增加,网络应用的用户越来越多,网络技术不断发展,使连接运行于移动操作系统的设备的网络基础设施发生变化。目前的云计算基础设施面临着越来越多的网络攻击,而且类型越来越多,这给网络安全带来了很大的挑战。因此,网络攻击无时无刻不在威胁着国家和全球用户的安全。
网络攻击会带来极大的危害。首先,它可以造成经济损失和商业损失。黑客发起的网络攻击可能会中断服务,造成数据泄露。其次,在云计算和物联网时代,网络攻击影响着每个人的生活安全。例如,黑客采用漏洞查看病人信息,入侵医疗设备、无人驾驶汽车和机场的航空监控系统。每一个未察觉的、极其危险的威胁都有可能在未来影响个人安全和社会安全。最后,它们还会对整个互联网环境的破坏。当黑客攻击一个服务器时,他们很可能把它变成一个傀儡机器,进一步攻击其他服务器。从长远来看,计算机网络安全环境将变得越来越差。因此,关注网络攻击对网络环境的安全非常重要。准确地预测未来网络攻击的数量,是为网络安全提供预防措施的有效途径。
对网络攻击的准确和实时预测可以大大减少网络设施的损失,然后可以采取有效的行动。时间序列预测方法通过使用历史统计数据的时间序列来预测未来的变化趋势。目前的研究主要可以分为传统的预测方法和深度学习的方法。
传统的预测方法中,如差分整合移动平均自回归(Auto Regressive IntegratedMoving Average,ARIMA),在时间序列数据预测中被广泛采用。但是研究者们发现该方法只能捕捉到数据中的线性关系,未能捕获非线性关系。因此,ARIMA仅仅通过近似的线性拟合不能捕捉序列的非线性特征,并且ARIMA需要稳定的时间序列数据,如果时间序列数据不稳定,其预测结果会有很大偏差。为了捕捉时间序列中的非线性特征,研究人员将注意力转向了适合复杂和非线性数据的模型。其中,支持向量机(Support Vector Machine,SVM)是一个广泛采用的经典模型。然而,在处理大规模数据时,矩阵的存储和计算会消耗巨大的内存和计算时间。反向传播神经网络(Back Propagation Neural Network,BPNN)由于其非线性映射和泛化能力,其是另一种经典的时间序列预测模型。然而,它的收敛速度很慢,其性能也不令人满意。
由于计算能力的提高和大量优化算法的出现,深度学习方法已经逐渐成为时间序列预测的主流。循环神经网络(Recurrent Neural Network,RNN)广泛用于时间序列预测。长短期记忆神经网络(Long Short Term Memory Neural Network,LSTM)是RNN的变种之一,它可以缓解梯度消失问题。然而,LSTM只采用了从前到后的时间特征,但它不能捕捉从后到前的时间特征。为了解决这个问题,双向长短期记忆神经网络(Bi-directional LongShort Term Memory Neural Network,Bi-LSTM)是LSTM的一个改进版本,它包括一个前向LSTM和一个后向LSTM。但是,如果时间序列数据变得非常大,梯度消失的问题仍将存在。作为RNN的另一个变种,门控循环神经网络(Gated Recurrent Neural Network,GRU)适合于构建更大的网络,并且相比较于LSTM的三个门,GRU只有两个门,从而提供了高效的计算。同样GRU也有双向的改进版本双向门控循环神经网络(Bi-directional Gated RecurrentUnit Neural Network,Bi-GRU)。尽管RNN很受欢迎,但卷积神经网络(Convolution NeuralNetwork,CNN)在某些情况下具有比RNN更好的性能和准确性。近年来,结合了RNN和CNN特点的时间卷积神经网络(Temporal Convolutional Network,TCN)已经成为时间序列预测的重要方法。TCN整合了时域建模能力和特征提取能力,并以较少的卷积参数实现了其优异的性能。TCN提取了历史时间序列和长时间范围内的特征之间的时间关系,从而获得了更好的性能。
因此,本发明将TCN和Bi-GRU结合起来,并在模型中加入多头自注意力机制,以进一步提高网络攻击的预测精度。具体来说,经过SG滤波器的处理,TCN提取了序列中的短期和局部特征,而多头自注意力机制则捕获了特征之间的内在关联性。最后,Bi-GRU捕获序列中的双向和长期相关性,实现最终的预测。
发明内容
本发明实现了一种基于时间卷积神经网络(Temporal Convolutional Network,TCN),多头注意力机制和双向循环神经网络(Bi-directional Gated Recurrent UnitNeural Netowork,Bi-GRU)的混合网络攻击预测方法TMB。本发明通过以下步骤实现。
一种基于TMB的网络攻击预测方法,该方法主要包括如下步骤:
(1)获取国内某网站受到网络攻击次数的时序数据;
(2)对网络攻击时序数据进行对数运算,之后通过SG滤波进行去除噪声;
(3)对除噪后的数据进行归一化处理,并将其转化为有监督数据;
(4)搭建基于时间卷积网络和多头注意力机制的网络攻击预测模型;
(5)将集成了时间卷积网络,多头注意力机制和双向门控循环神经网络的网络攻击预测模型进行迭代训练,调整并优化参数,得到最终模型;
(6)利用步骤5训练完成后的最终模型对下未来的网络攻击数量进行预测,对预测的网络攻击数量实现反归一化操作并进行对数还原,进而获得未来的网络攻击预测值,最后将预测值与真实值值进行对比,分析误差并且进行性能评估。
本发明的有益效果如下:
本发明提供一种基于时间卷积网络和多头注意力机制的网络攻击预测方法,通过获取的国内某网站每10分钟受到网络攻击次数历史时序数据,搭建集成时间卷积网络,多头注意力机制和双向门控循环神经网络的网络攻击预测模型,实现对未来网站受到攻击次数的预测,具有较高的准确性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明:
图1为本专利的网络攻击预测方法的流程图;
图2为SG滤波流程图;
图3为时序数据转有监督数据的流程图;
图4为基于TMB的网络攻击预测模型图。
具体实施方式
为了更清楚地说明本发明,下面结合具体实施方式和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域内的技术人员应当理解,下面所具体描述的内容是均为说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明提出面向时间卷积网络和多头注意力机制的网络攻击预测方法,通过对网络攻击数据的分析,利用时间卷积网络提取序列中的短期和局部特征,再通过多头自注意力机制捕获特征之间的内在关联性。最后再利用双向门控循环神经网络捕获序列中的双向和长期相关性,如图1所示,预测方法包括如下步骤:
步骤S1,获取国内某网站每10分钟受到网络攻击次数的时序数据;
本发明以国内某网站提供的网络攻击数据作为研究对象,该数据集的时间从2021年7月1日至2021年8月30日,其中以每10分钟作为时间间隔,总共有13200条数据。
步骤S2,对网络攻击时序数据进行对数运算,之后通过SG滤波进行去除噪声;
原始数据具有高阶和非线性特征。因此,采用对数运算,使数据近似于服从正态分布。公式如下:
由于原始数据在开始阶段有多处峰值,并且在整个数据范围内都存在噪声,因此需要使用SG滤波进行降噪处理。附图2为SG滤波的流程图。
SG滤波器在不扭曲数据趋势的情况下提高数据的精度。在卷积的过程中,通过线性最小二乘法用低度多项式对相邻数据点的连续子集进行拟合来实现这一目的。
用于拟合窗口内数据点的R次多项式p(i)定义为:
其中,αv代表SG滤波器的第v个系数。
(2)采用最小二乘法最小化误差∈
步骤S3,对除噪后的数据进行归一化处理,并将其转化为有监督数据;
本发明采用归一化的方法是最小最大归一化(Min-Max Scaling),具体公式如下:
紧接着,把网络攻击数据转换成一组特征值和其对应的目标值对。将滑动窗口设定为w,窗口包含输入和输出序列两部分。其中,特征值为滑动窗口中的输入序列,是该模型的输入数据,目标值为输出序列,是该模型的输出数据。滑动窗口的方法是将窗口从左向右滑动,每次滑动一个时间步,得到一行新的特征值和其对应的目标值对,通过这种方式来构造有监督数据,形如:这里的输入序列是模型输出是共有T-w+2条数据。然后对这些数据按比例划分,分为训练集和测试集,训练集为测试集为这里的划分点是l时刻的数据。
步骤S4,搭建基于时间卷积网络和多头注意力机制的网络攻击预测模型;
本发明设计了如附图4所示的模型,该模型由时间卷积网络,多头注意力机制和双向门控循环神经网络组成。首先,使用上述预处理的时序数据作为输入,利用时间卷积网络提取序列中的短期和局部特征;其次,将时间卷及网络的输出作为多头注意力机制的输入,通过多头自注意力机制捕获特征之间的内在关联性;接着,将多头注意力机制的输出作为双向门控循环神经网络的输入,利用双向门控循环神经网络捕获序列中的双向和长期相关性。最后,双向门控循环神经网络后连接着一层全连接层,输出下一次时刻的网络攻击预测数据。具体过程如下:
TCN是一种特殊的一维全卷积神经网络,包括因果卷积、扩张卷积和残差块。因果卷积保证了上层时间步长的值只依赖于下层时间步长和之前的值。对于一维输入和滤波器f:{0,1,...,k-1},一维因果卷积层表示为:
其中,F(·)表示卷积操作,k表示卷积核大小,sequence代表输出序列。
扩张卷积可以跳过部分超参数输入。因此,滤波器可以在比其本身更大的范围内工作。当与因果卷积结合时,第r层扩张卷积定义为:
其中,dr为第r层的扩张系数。通过将多个时间卷积层组合成一个模块,并在模块之间放置残差连接。每个残差块都有两个扩张卷积层和激活函数ReLU。此外,TCN通过在扩张卷积后的每个残差块上添加dropout来实现正则化。
本发明中两个残差模块组成TCN层。第一个残差模块由两个因果扩张卷积层组成,卷积核大小为9,扩张系数为1,滤波器数量为10,在第二个残差模块中,卷积核大小为9,扩张系数为2,滤波器数量为10。TCN层的输出可以表示为:
其中,ResB(·)代表TCN的残差模块函数,z=(z0,z1,...,zT)表示通过两个残差模块后的输出。
接着,将序列z=(z0,z1,...,zT)输入到多头注意力机制中,捕获序列特征之间的内在关联性。
在多头注意力机制中有3个矩阵,分别为Q,K和V。Q、K和V由输入矩阵线性变换得到。将三个矩阵通过线性投影变换为Q′,K′和V′,并且将他们分成多个头向量,从不同的特征中提取信息。Q,K,V中的每个头都由Q′h,K′h,V′h表示,其中h∈{1,2,...,H},H代表头向量的数量。在Q′h中,根据Q′h和K′h的相似度,计算整个序列的权值分布。对于每个Q′h,通过向Vh′中添加权重能将更多有关联的信息带入序列。我们采用缩放点运算来衡量相似度,公式可以表示为:
我们通过连接这些头部向量来合并成多个注意力。最后,合并的注意力进入线性层以获得新的表示。
headh=Attention(Q′h,K′h,V′h)
Multihead=Concat(head1,...,headh)
g=Multihead(z,h)
其中,z=(z0,z1,...,zT)为输入序列,g=(g0,g1,...,gT)为通过多头注意力机制的输出序列,Multihead(·)表示多头注意力机制。
然后,将序列g=(g0,g1,...,gT)输入到双向门控循环神经网络中,学习gt到ht在时间步t的映射。ht-1和ht分别表示门控循环神经单元在时间步为t-1和t时的隐藏状态。ht通过以下公式得来:
ht=f(ht-1,gt)
非线性函数f(·)是一个门控循环单元。为了模拟长期和短期行为,双向循环神经网络包括一个前向门控循环神经网络和一个后向门控循环神经网络,从而适当地保持和遗忘过去的信息。门控循环神经网络的单元结构包括两个门,一个重置门和一个更新门。重置门决定了要遗忘多少前一个状态的信息。更新门用于控制前一个状态有多少信息需要传递到当前状态和未来并且决定复制过去的信息和消除梯度消失问题的风险。门控循环神经网络从输入到输出的计算公式为:
rt=σ(Wr·[ht-1,gt])
zt=σ(Wz·[ht-1,gt])
yt=σ(Wo·ht)
其中r、z、ht和分别表示重置门、更新门、在时间步t时的隐藏状态和候选激活向量。Wr、Wz和表示它们的权重矩阵。sigma(·)和tanh(·)分别表示sigmoid和tanh函数。*表示矩阵乘法操作。
得到输出yt之后,将其输入进全连接层。
其中,linear(·)表示linear函数,u表示权重,q表示偏置参数。
至此,模型搭建完毕。
步骤S5,将集成了时间卷积网络,多头注意力机制和双向门控循环神经网络的网络攻击预测模型进行迭代训练,调整并优化参数,得到最终模型;
模型迭代训练中的超参数选择主要包括:SG滤波器的窗口大小和最高次项,时间卷积网络中的卷积核大小,卷积核数量,残差模块的输出激活函数,多头注意力机制中的头的数量,门控循环单元中的神经元的数量和优化器。训练过程中,使用均方根对数误差(Root Mean Squared Logarithmic Error,RMSLE)作为评估模型好坏的指标。
步骤S6,利用步骤5训练完成后的最终模型对下未来的网络攻击数量进行预测,对预测的网络攻击数量实现反归一化操作并进行对数还原,进而获得未来的网络攻击预测值,最后将预测值与真实值值进行对比,分析误差并且进行性能评估。
本发明选取决定系数(Coefficient of Determination,R2)和均方根对数误差(Root Mean Squared Logarithmic Error,RMSLE)评估真实值与预测值之间的误差,具体公式为:
显然,本发明的上述具体实施方式仅仅是为清楚地说明本发明所作的举例,而并非是对本发明实施方式的具体限定。对于本发明所属领域的普通技术人员来讲,在本发明上述说明的实施方式基础上还可以做出其它多样的不同形式变化或变动,这里无法对所有的实施方式予以穷举列出,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (6)
1.一种基于时间卷积网络和多头注意力机制的网络攻击预测方法,其特征在于,该方法包括如下步骤:
步骤S1,获取国内某城市网站两个月受到网络攻击次数的时序数据;
步骤S2,对网络攻击的所有时序数据都选取对数,并在选取对数的基础上通过SG滤波实现降噪处理。
步骤S3,对数据进行归一化,将归一化之后的数据转为有监督数据;
步骤S4,搭建基于时间卷积网络和多头注意力机制的网络攻击预测模型;
步骤S5,对结合了时间卷积网络,多头注意力机制和双向门控循环神经网络的网络攻击预测模型进行训练,对模型的超参数进行调优,确定最终模型;
步骤S6,使用步骤S5训练后的最终模型预测下一时刻网络攻击的次数,对预测值实现反归一化操作并进行对数还原,得到未来的网络攻击预测值,然后将预测值与实际值进行比较,对模型进行误差分析和性能评估。
2.根据权利要求1所述的基于时间卷积网络和多头注意力机制的网络攻击预测方法,其特征在于,对时序数据取对数,之后采用SG滤波去除噪声,具体过程如下:
第一步,对网络攻击数据进行对数操作,降低网络攻击数据的数量级,使该数据基本符合正太分布,公式如下:
3.根据权利要求2所述的基于时间卷积网络和多头注意力机制的网络攻击预测方法,其特征在于,对滤波完成后的数据进行归一化操作,并将其生成有监督数据,具体过程如下:
第一步,对处理完成的上述数据y采用归一化操作,具体公式如下:
4.根据权利要求3所述的基于时间卷积网络和多头注意力机制的网络攻击预测方法,其特征在于,搭建基于时间卷积神经网络,多头注意力机制和双向门控循环神经网络的网络攻击预测方法,具体过程如下:
该模型结合了时间卷积神经网络,多头注意力机制和双向门控循环神经网络。首先,输入上述得到的有监督数据,采用时间卷积网络提取序列中的短期局部特征。其次,将时间卷积网络中的输出作为输入进入多头注意力机制,利用多头注意力的能力捕捉序列特征中的内在联系。再次将多头注意力机制的输出作为输入进入双向门控循环神经网络提取序列中的双向和长期相关性,最后,双向门控循环神经网络连接着一个全连接层,输出下一时刻的网络攻击预测数据。
5.根据权利要求4所述的基于时间卷积网络和多头注意力机制的网络攻击测方法,其特征在于,为了提高预测的准确性,对混合了时间卷积网络,多头注意力机制和双向门控循环神经网络的网络攻击预测模型进行反复的迭代训练。
模型迭代训练中的超参数选择主要包括:SG滤波器的窗口大小和最高次项,时间卷积网络中的卷积核大小,卷积核数量,残差模块的输出激活函数,多头注意力机制中的头的数量,门控循环单元中的神经元的数量和优化器。训练过程中,使用均方根对数误差(RootMeanSquaredLogarithmicError,RMSLE)作为评估模型好坏的指标。
6.根据权利要求5所述的基于时间卷积网络和多头注意力机制的网络攻击预测方法,其特征在于,首先使用完成优化后的模型在测试数据上,对网络攻击数量进行预测,进而获得未来的网络攻击数量。其次,对预测值实现反归一化操作并进行对数还原,最后利用两种指标,分别为均方根对数误差RMSLE和决定系数R2来评估模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344093.0A CN115694985A (zh) | 2022-10-31 | 2022-10-31 | 基于tmb的混合网络流量攻击预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344093.0A CN115694985A (zh) | 2022-10-31 | 2022-10-31 | 基于tmb的混合网络流量攻击预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115694985A true CN115694985A (zh) | 2023-02-03 |
Family
ID=85046495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344093.0A Pending CN115694985A (zh) | 2022-10-31 | 2022-10-31 | 基于tmb的混合网络流量攻击预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115694985A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227365A (zh) * | 2023-05-06 | 2023-06-06 | 成都理工大学 | 一种基于改进vmd-tcn的滑坡位移预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348165A (zh) * | 2020-09-25 | 2021-02-09 | 泰山学院 | 基于混合循环网络的水声通信信号分类识别方法及系统 |
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
CN113869065A (zh) * | 2021-10-15 | 2021-12-31 | 梧州学院 | 一种基于“单词-短语”注意力机制的情感分类方法和系统 |
CN115017819A (zh) * | 2022-06-20 | 2022-09-06 | 武汉理工大学 | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 |
-
2022
- 2022-10-31 CN CN202211344093.0A patent/CN115694985A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
CN112348165A (zh) * | 2020-09-25 | 2021-02-09 | 泰山学院 | 基于混合循环网络的水声通信信号分类识别方法及系统 |
CN113869065A (zh) * | 2021-10-15 | 2021-12-31 | 梧州学院 | 一种基于“单词-短语”注意力机制的情感分类方法和系统 |
CN115017819A (zh) * | 2022-06-20 | 2022-09-06 | 武汉理工大学 | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227365A (zh) * | 2023-05-06 | 2023-06-06 | 成都理工大学 | 一种基于改进vmd-tcn的滑坡位移预测方法 |
CN116227365B (zh) * | 2023-05-06 | 2023-07-07 | 成都理工大学 | 一种基于改进vmd-tcn的滑坡位移预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
Lin et al. | Data-driven missing data imputation in cluster monitoring system based on deep neural network | |
CN111797122B (zh) | 高维重现概念漂移流数据的变化趋势预测方法及装置 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
CN112468326B (zh) | 基于时间卷积神经网络的访问流量预测方法 | |
CN112765896A (zh) | 一种基于lstm的水处理时序数据异常检测方法 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
Wang et al. | Wind speed interval prediction based on multidimensional time series of Convolutional Neural Networks | |
Zheng et al. | Understanding the property of long term memory for the LSTM with attention mechanism | |
CN112668688A (zh) | 一种入侵检测方法、系统、设备及可读存储介质 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN115357862B (zh) | 一种狭长空间中的定位方法 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
Zhu et al. | Correlation coefficient based cluster data preprocessing and LSTM prediction model for time series data in large aircraft test flights | |
CN115730845A (zh) | 一种电力系统动态估计方法、装置、设备和可读存储介质 | |
Wang et al. | MIANet: Multi-level temporal information aggregation in mixed-periodicity time series forecasting tasks | |
Huo et al. | Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering | |
Feng et al. | Web service QoS classification based on optimized convolutional neural network | |
Bi et al. | A hybrid deep learning method for network attack prediction | |
Ji et al. | Fast progressive differentiable architecture search based on adaptive task granularity reorganization |
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 |