畳み込みニューラルネットワークに基づく侵入検知

従来の侵入検知技術の精度が低く、適応性が低いという問題を解決するために、畳み込みニューラルネットワークに基づく侵入検知アルゴリズムを提案します。本稿では、2つの畳み込み層とプーリング層を使用し、各畳み込み層の後にバッチ正規化層を追加してネットワークの速度を改善し、モード崩壊を回避します。実験中は、SGDおよびAdamオプティマイザーを使用してモデルをそれぞれ訓練しました。その結果、Adamオプティマイザーの方がより良い性能を示しました。エポック数が200のとき、モデルの精度平均値は0.9507に達し、F1平均値は0.9438に達します。