Key points are not available for this paper at this time.
Die fünfte Generation (5G) der Mobilkommunikationstechnologie bietet den Menschen ein höheres wahrgenommenes Erfahrungsniveau, eine hochwertige Dienstleistung für hochdichte Nutzerverbindungen und andere kommerzielle Anwendungen. Als wichtiges Mittel zur Datenverarbeitung in 5G heterogenen Netzwerken (HetNets) sieht sich die Datenschmelztechnologie einer großen Anzahl an Angriffen durch bösartigen Code gegenüber. Daher ist es besonders wichtig, eine effiziente Methode zur Erkennung von bösartigem Code zu finden. In der traditionellen Forschung führt jedoch das Ungleichgewicht der Datensätze, die Komplexität des Modells des tiefen Lernens, die Verwendung eines Single-Objective-Algorithmus und andere Faktoren zu höheren Verlusten und niedrigeren Erkennungsgenauigkeiten. Daher ist es eine große Herausforderung, ein geeignetes Netzwerkmodell auszuwählen und die Datenklassifizierungsgenauigkeit in HetNets zu verbessern. Um die Robustheit des Modells zu erhöhen, wird ein Multi-Objective Restricted Boltzmann Machine (RBM)-Modell für das Training entworfen. In diesem Artikel werden Evaluationsindizes verwendet, um die Wirkung der Datenklassifizierung umfassend zu messen, und es wird ein Strategie-Pool eingeführt, um den Effekt der Datenfusion zu verbessern, während nicht-dominierte Sortierungsgenetische Algorithmen (NSGA-II) zur Bekämpfung der unausgewogenen Malware-Familie eingesetzt werden. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Multi-Objective RBM-Modell in Kombination mit NSGA-II die Datenklassifizierungsgenauigkeit von HetNets effektiv steigern und die Verluste im Prozess der Datenfusion reduzieren kann.
Cui et al. (Sat,) haben diese Frage untersucht.