基于稀疏自动编码器的可解释性异常流量检测

目前许多深度学习检测模型在各项指标上达到较好的效果,但是由于安全管理者不理解深度学习模型的决策依据,导致一方面无法信任模型的判别结果,另一方面不能很好地诊断和追踪模型的错误,这极大地限制了深度学习模型在该领域的实际应用。面对这样的问题,文章提出了一个基于稀疏自动编码器的可解释性异常流量检测模型(Sparse Autoencoder Based Anomaly Traffic Detection,SAE-ATD)。该模型利用稀疏自动编码器学习正常流量特征,并在此基础上引入了阈值迭代选取最佳阈值,以提高模型的检测率。模型预测完毕后,将预测结果的异常值送入解释器中,通过解释器对参考值进行迭代更新后,返回每个特征参考值和异常值的差值,并结合原始数据进行可解释性分析。文章在CICIDS2017数据集和CIRA-CIC-DoHBrw-2020数据集上进行实验,实验结果表明SAE-ATD在两个数据集上对大部分攻击检测的精确率和召回率达到99%,且能给模型提供可解释性。

基于多尺度时空残差网络的入侵检测方法

针对现有的入侵检测方法存在特征提取不佳、分类准确率低、泛化能力不强等问题,提出一种融合多尺度卷积神经网络、长短期记忆网络和残差网络的入侵检测模型(multi-scale spatial-temporal residual network,MS-ST-RNet).首先,借助log1p平滑处理对偏度较大的数据进行转化,通过转化前后与标签的相关性对比以及数据分布可视化证明其有效性;其次,分别通过多尺度1维卷积模块和长短期记忆模块提取数据的空间特征和时序特征并进行特征融合;最后,基于残差网络的思想添加恒等映射,避免梯度消失、梯度爆炸以及网络退化等问题.在数据集UNSW_NB15上的实验结果表明,所提方法可以有效增强模型的表征能力以及泛化能力,且各项指标性能有比较明显的提升.

环境类PPP项目对住房价格的影响效应探究

作为一种新型项目采购模式,PPP模式提升了公共基础设施建设项目的融资效率,因而已成为近年来我国大力推广的建设模式。文章运用Hedonic模型法进行分析,发现环境类PPP项目能够影响项目周边一定范围内的住房价值,如政府控股率、特许经营期等对住房价格都有着不同程度的影响,采用不同融资模式的环境类项目与住房的距离也影响着其价格。

智能机器人在装配式建筑中的应用分析

智能机器人技术在装配式建筑中的应用越来越广泛,随着5G时代的到来,其应用将更加深入和广泛。本文概述装配式建筑现有智能技术的应用,针对目前的机器人在装配式建筑各阶段应用的不足,提出未来智能机器人在装配式建筑领域的应用和发展趋势。