基于代价敏感卷积神经网络的加密流量分类OACSTPCD
Cost-sensitive Convolutional Neural Network for Encrypted Traffic Classification
针对加密流量分类中由于不平衡数据导致的分类偏差和少数类识别率低的问题,提出一种基于代价敏感卷积神经网络的加密流量分类方法.鉴于传统卷积神经网络在处理不平衡数据时容易偏向多数类,该方法引入动态权重调整策略,使其在每次迭代中根据代价敏感层的反馈来重新评估并自适应调整每个样本的权重.当少数类样本被模型误分类时,其权重会增加,促使模型在后续训练中更加关注它们.随着训练的进行,这种动态权重调整策略持续驱使模型改进并提高对少数类样本的识别能力,从而有效地应对…查看全部>>
This paper addresses classification bias and low recognition rates for minority classes in encrypted traffic classification arising from imbalanced data.Traditional convolutional neural networks tend to favor the majority class in such scenarios,prompting a dynamic weight adjustment strategy.In this approach,during each training iteration,sample weights are adaptively adjusted based on feedback from the cost-sensitive layer.If a minority class sample is misc…查看全部>>
钟海龙;何月顺;何璘琳;陈杰;田鸣;郑瑞银
东华理工大学信息工程学院,江西 南昌 330013||江西省网络空间安全智能感知重点实验室,江西 南昌 330013东华理工大学信息工程学院,江西 南昌 330013东华理工大学信息工程学院,江西 南昌 330013东华理工大学信息工程学院,江西 南昌 330013郑州市公安局网监支队,河南 郑州 450003江西旅游商贸职业学院,江西 南昌 330100
电子信息工程
卷积神经网络代价敏感学习加密流量分类类不平衡损失函数
convolutional neural networkcost-sensitive learningencrypted traffic classificationclass-imbalanceloss function
《计算机与现代化》 2024 (5)
55-60,6
江西省网络空间安全智能感知重点实验室开放基金资助项目(JKLCIP202206)
评论