基于深度学习的DGA域名检测方法研究

在对DGA(Domain Generate Algorithm)域名僵尸主机的检测中,传统的DGA域名检测方法具有误报率较高、预测准确性较低的不足.为了改善该问题,本文提出一种基于深度学习神经网络的方法来检测伪随机域名,它结合了信息熵和长短期记忆神经网络(Long Short Term Memory, LSTM).该方法先通过基于信息熵的检测,对域名是否合法进行初步检测,然后通过基于优化的LSTM网络模型对非法的域名进行第二次检测.本文基于长短期记忆神经网络模型,分析了在不同优化函数、超参数、网络结构和阈值衰减联合下检测效果的差异,并从中选择最优组合.实验结果表明,该方法在降低检测耗时的同时,能够获得较高的准确率和较低的误报率,整体检测效果得到了显著提升.

基于VGG网络与深层字典的低剂量CT图像去噪算法

低剂量计算机断层扫描(LDCT)能够有效降低X射线辐射对人体健康造成的危害,已广泛应用于医学临床诊断。针对LDCT图像中存在大量的斑点噪声和条形伪影的问题,提出一种结合改进的VGG网络和深层字典的图像去噪算法,以弥补深层字典去噪能力的不足。在深层字典学习到第一层字典原子和稀疏矩阵后,通过改进的VGG网络将字典原子区分为信息原子和噪声原子,同时将稀疏矩阵中噪声原子所对应的元素设置为零,降低噪声原子对图像去噪效果的影响。实验结果表明,与K-SVD算法、正则化K-SVD算法和深层字典学习算法相比,该算法的峰值信噪比和结构相似性指数平均提高了1.4 dB和0.03,能够有效抑制LDCT图像噪声和伪影,且保留较多的边缘和细节信息。