基于深度学习的网络传输数据异常识别方法

摘要：

互联网技术的广泛普及使得网络用户数量急剧增加,网络传输数据体量也随之增大,在多种因素的影响下,内部异常数据占比也越来越高,为网络数据传输、应用带来了极大的困难,为此提出一种基于深度学习的网络传输数据异常识别方法.该方法在LSTM神经网络模型的应用下,大幅度提升了评价指标——F1值,能够更加精确的识别异常数据,为网络传输数据的应用与处理提供更有效的方法支撑.应用高斯混合模型分割网络传输数据集合(训练集合/测试集合),引入深度学习技术——LSTM,构建网络传输数据异常识别模型,根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据,基于梯度下降法制定构建模型训练程序,确定异常数据判别规则,将测试集合输入至训练好的识别模型中,输出结果即为异常数据识别结果.实验数据显示:应用所提方法后,F1值呈现波动状态,最小值为83.70％,最大值为94.50％,符合数据异常识别需求,证明该方法具备可行性.

关键词：LSTM、异常数据、深度学习、网络传输数据、自动识别、神经网络、模型训练

所属期刊栏目：46

分类号：TN915-34;TP312

资助基金：北京科技大学天津学院青年骨干人才培养计划

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：62-66