基于辅助熵减的神经常微分方程入侵检测模型

摘要：

为了提高深度学习模型入侵检测任务的检测效率和分类的准确性,文章提出一种基于辅助熵减的神经常微分方程(E-ODENet)入侵检测模型.该入侵检测模型通过参数常微分方程定义连续的隐藏状态,不需要再分层传播梯度与更新参数,减少了内存的消耗,极大地提高了效率.使用信息瓶颈进行特征降维,提取与分类任务相关的主要信息,同时使用标签平滑和熵减损失来提高模型的泛化能力和准确性.在NSL-KDD数据集上进行训练和测试,测试得到的检测准确率为99.76％,证明该模型优于其他入侵检测模型.

关键词：入侵检测、熵减损失、常微分方程、NSL-KDD

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金61801008

在线出版日期：2022-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1-8