基于代价敏感卷积神经网络的加密流量分类

针对加密流量分类中由于不平衡数据导致的分类偏差和少数类识别率低的问题,提出一种基于代价敏感卷积神经网络的加密流量分类方法。鉴于传统卷积神经网络在处理不平衡数据时容易偏向多数类,该方法引入动态权重调整策略,使其在每次迭代中根据代价敏感层的反馈来重新评估并自适应调整每个样本的权重。当少数类样本被模型误分类时,其权重会增加,促使模型在后续训练中更加关注它们。随着训练的进行,这种动态权重调整策略持续驱使模型改进并提高对少数类样本的识别能力,从而有效地应对类别不平衡问题。为了避免过拟合,该方法还采纳早停策略,当验证集性能连续下滑时及时终止训练。实验结果表明,本文所提出的网络模型在处理类别不平衡的加密流量分类问题上具有显著的优势,准确率和F1值均达到0.97以上。本文研究为加密流量分类提供了一种更为有效且适应于类别不平衡问题的解决方案,为网络安全领域的研究与应用提供了有益的探索。

基于Swin Transformer的岩石岩性智能识别研究

常规卷积神经网络在识别纹理多变的岩石图像时,由于感受野和局部处理方式的局限性,识别精度不高,为解决上述问题,在复杂情况下准确识别岩石岩性,提高地质调查的效率,文中提出一种基于改进Swin Transformer的岩石识别方法。该方法增加了空间局部感知模块,并结合Transformer的自注意力结构来增强对局部相关性的提取。为增强泛化,模型中添加了Dropout层,减少对单神经元的依赖。为进一步提高网络的泛化能力,采用AugMix算法对岩石图像进行数据增强,并结合迁移学习技术对网络进行预训练从而优化网络参数。实验结果表明,该方法的识别准确率为96.4%,高于ResNet50、GoogLeNet、VGG16网络。