Page 143 - 大数据背景下网络安全问题研究

» 第五章 机器学习在网络信息安全中的应用

第二，对被测对象的状态进行编码。
第三，进行网络设计，确定网络层数和各层神经元数。
第四，用各种状态数据组成训练样本，输入网络，进行训练，确定各单元的连接
权值。
第五，把待测队长的特征参数作为网络的输入，根据输出确定待测对象的状态

类别。
本书主要介绍两种方法，即卷积神经网络和递归神经网络。
（1）基于卷积神经网络的故障检测与诊断

卷积神经网络（CNN）是有一种监督学习方法，最初由YaNN LECUN于1994年
提出，并首次将其用于手写数字识别，也是第一批能使用反向传播有效训练的网络之
一。该模型是一种特殊的多层感知器或前馈神经网络，通常包含输入层、卷积层、池
化层、全连接层和输出层，卷积层通过将输入数据通过核函数进行卷积输出特征映
射；池化层主要是通过池化函数对该层的输入进行调整，减少模型的可训练参数，提

高统计效率并且减少对参数的存储需求；全连接层通过整合所有的局部特征进而得到
全局特征，用于后续分类。CNN网络的训练类似于传统的人工神经网络训练方法，采
用BP算法将误差逐层反向传递，使用梯度下降法调整各层之间的参数。CNN可对输

入进行提取，得到局部特征并逐层组合抽象生成高层特征，可有效实现故障诊断与识
别。其能够避免对图像、语言等大量复杂信号的前期处理工作，输入的直接是原始数
据，并从中学习到不同层级的特征。近年来，卷积神经网络在多个领域都得到应用，
如语音识别、人脸识别、通用物体识别、运动分析甚至脑电波分析方面等，具体如图
5-5所示。

图 5-5 卷积神经网络结构图

（2）循环神经网络（RNN）
循环神经网络是从大脑皮层中关于记忆的神经回路和循环反馈系统研究中获得
的灵感。一般的神经网络中，虽然层与层之间的节点是有连接的，但同一层内部的节

点不连通。RNN具有一个循环结构，使得网络在某时刻k的输出不仅与k时刻的输入
有关，还和k时刻以前的输出有关，这使得RNN有一定的记忆力，能够获取多个时间

• 131 •