目前的宽度学习系统(Broad learning system,BLS)通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络(Functional⁃link neural network,FLNN)的深度分类器(FLNN based deep classifier,FLNNDC),旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。
传统机器学习方法的有效性依赖于大量的有效训练数据,而这难以满足,因此迁移学习被广泛研究并成为近年来的研究热门.针对由于训练数据严重不足导致多分类场景下分类性能降低的挑战,提出一种基于DLSR(discriminative least squares regre...
详细信息
传统机器学习方法的有效性依赖于大量的有效训练数据,而这难以满足,因此迁移学习被广泛研究并成为近年来的研究热门.针对由于训练数据严重不足导致多分类场景下分类性能降低的挑战,提出一种基于DLSR(discriminative least squares regressions)的归纳式迁移学习方法(TDLSR).该方法从归纳式迁移学习出发,通过知识杠杆机制,将源域知识迁移到目标域并同目标域数据同时进行模型学习,在提升分类性能的同时保证源域数据的安全性.TDLSR继承了DLSR在多分类任务中扩大类别间间隔的优势,为DLSR注入了迁移能力以适应数据不足的挑战,更加适用于复杂的多分类任务.通过在12个真实UCI数据集上进行实验,验证了所提出方法的有效性.
软件定义网络（software defined network，SDN）通过控制平面和数据平面的解耦实现了网络的集中控制和灵活调度，但是这种架构设计也给可靠性、负载均衡和安全性等方面带来了挑战.其中，针对SDN环境中的分布式拒绝服务攻击(distributed...
详细信息
软件定义网络（software defined network，SDN）通过控制平面和数据平面的解耦实现了网络的集中控制和灵活调度，但是这种架构设计也给可靠性、负载均衡和安全性等方面带来了挑战.其中，针对SDN环境中的分布式拒绝服务攻击(distributed denial of service，DDoS)，本文提出了一种结合门控循环单元（Gated Recurrent Unit，GRU）和注意力机制的DDoS攻击检测与缓解模型.相较于近期众多先进的DDoS攻击检测方法，本研究所提出的模型在检测性能上表现出了优越性，在数据集InSDN、CICIDS2018和CICDDoS2019上的检测准确率达到了100%、100%和99.62%.同时，为了进一步验证模型的有效性，本文在基于Mininet的SDN模拟环境中模拟DDoS攻击场景并对模型的缓解模块进行了检验.实验结果显示，该模型的缓解模块能够在检测到攻击后迅速采取有效的防御措施，显著减轻DDoS攻击对网络造成的影响.
暂无评论