基于堆栈式自动编码器的加密流量识别方法

基于浅层机器学习的加密流量识别方法准确率偏低,在特征提取和选择方面耗时耗力。为此,提出一种基于堆栈式自动编码器(SAE)的加密流量识别方法。该方法利用SAE的无监督特性及在数据降维等方面的优势,结合多层感知机(MLP)的有监督分类学习,实现对加密应用流量的准确识别。考虑到样本数据集的类别不平衡性对分类精度的影响,采用SMOTE过抽样方法对不平衡数据集进行处理。实验结果表明,该方法各项性能指标均优于MLP加密流量识别方法,识别精确度和召回率以及F1-Score均可达到99%。

基于LINCS-L1000扰动信号通过SAE-XGBoost算法预测药物诱导下的细胞活性

不同细胞在特定化合物作用下具有不同的扰动信号,基于这些扰动信号预测细胞的活性和挖掘隐藏在表型之下的药物敏感性非常重要。文中开发了一种基于LINCS-L1000扰动信号的SAE-XGBoost细胞活性预测算法。通过对LINCS-L1000、Achilles和CTRP三大数据集匹配和筛选,采用堆栈式深度自动编码器对基因信息进行特征提取,结合RW-XGBoost算法预测药物诱导下的细胞活性,进而在NCI60和CCLE数据集上完成药物敏感性推断。与其他方法相比,该模型取得了良好效果,皮尔逊相关系数为0.85,并进行独立集验证,对应皮尔逊相关系数为0.68。结果表明,所提出的方法有助于发现新型有效的抗癌药物,为精准医疗提供帮助。