6、物联网流量分类与混合入侵检测技术解析

物联网流量分类与混合入侵检测技术解析

胶囊网络辅助的物联网流量分类机制

输出层

模型的最后一层依靠全连接层和softmax函数来获取预测向量 $\hat{y} i$。LSTM输出的结果作为全连接层的输入，预测结果即为最终输出。之后使用交叉熵损失函数来计算结果的损失 $L$，公式如下：
$L = -\sum {i=1}^{n} y_i \log \hat{y}_i$
其中，$y_i$ 是真实标签向量，$\hat{y}_i$ 是预测向量。使用TensorFlow2构建并训练五层网络结构模型，在训练步骤中，将处理后的流量数据直接输入模型以训练模型参数。

实验环境与评估指标

• 实验环境 ：Ubuntu 16.04操作系统、Python 2.7、TensorFlow 1.8.0、4核CPU以及64G内存。实验数据集随机划分，80%作为训练集，10%作为验证集，10%作为测试集。批量大小为64，训练轮数为30。
• 评估指标 ：使用准确率（accuracy）、精确率（precision）、召回率（recall rate）和F1值这四个常用的分类问题评估指标。计算公式如下：
• 准确率：$accuracy = \frac{TP + TN}{TP + FN + FP + TN}$
• 精确率：$P = \frac{TP}{TP + FN}$
• 召回率：$R = \frac{TP}{TP + FP}$
• F1值：$F1 = \frac{2P