6、卷积神经网络在采样网络流攻击检测及机器人问责系统的研究

卷积神经网络在采样网络流攻击检测及机器人问责系统的研究

卷积神经网络在采样网络流攻击检测中的应用

在网络攻击检测领域，卷积神经网络（CNN）在网络流数据处理方面展现出了一定的潜力。研究人员针对不同采样率的网络流数据进行了实验，以评估CNN的性能。

1. 实验设置与方法
   • 实验采用多个数据集，分别为未采样的网络流数据、采样率为500的网络流数据以及模拟真实环境下采样率为1000的网络流数据。
   • 在训练过程中，每个训练周期包含训练阶段和验证阶段，这种方式有助于保存最佳模型。
2. 实验结果分析
   • 未采样网络流数据 ：使用未采样的网络流数据时，CNN的准确率达到了96.58%，高于之前的研究成果。这表明CNN在网络流数据上的应用能够取得较好的效果。不过，该数据集规模较大，训练时间约为11小时。
   • 采样率为500的网络流数据 ：当采样率为500时，CNN的准确率为94.15%，相比未采样数据下降了2.52%。这说明CNN在一定程度的采样网络流数据上仍能成功应用。
   • 采样率为1000的网络流数据 ：在模拟真实环境，采样率为1000的情况下，CNN的准确率大幅下降至50.11%，相较于未采样数据下降了48.12%，相较于采样率为500的数据下降了46.78%。这主要是因为网络流采样导致了大量信息的丢失。
   </