• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)

    2020-10-23 09:11:12馮仁君吳吉王震宇景棟盛
    軟件工程 2020年10期
    關(guān)鍵詞:安全檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)安全

    馮仁君 吳吉 王震宇 景棟盛

    摘 ?要:近年來(lái),網(wǎng)絡(luò)安全檢測(cè)已經(jīng)取得了很大的進(jìn)步。然而,網(wǎng)絡(luò)迅速的發(fā)展、流量分布的變化和數(shù)據(jù)樣本中的噪聲等問(wèn)題都對(duì)現(xiàn)有方法提出了很大的挑戰(zhàn)。針對(duì)此,提出了基于非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)(Network Security Detection Based on Asymmetric Decomposed Convolution,ADC-NSD)方法。ADC-NSD方法根據(jù)對(duì)網(wǎng)絡(luò)連接數(shù)據(jù)的訓(xùn)練與學(xué)習(xí),生成區(qū)別常態(tài)與危險(xiǎn)狀態(tài)的安全檢測(cè)模型,通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的卷積核進(jìn)行分解,完成對(duì)數(shù)據(jù)進(jìn)行解析和檢測(cè)。最后,以KDDCUP99為測(cè)試數(shù)據(jù)集,將ADC-NSD方法與其他機(jī)器學(xué)習(xí)方法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明,ADC-NSD方法能有效地解決網(wǎng)絡(luò)安全檢測(cè)問(wèn)題,總體精確率為98.72%,準(zhǔn)確率為99.92%,召回率為94.61%,F(xiàn)1值為97.19%。

    關(guān)鍵詞:網(wǎng)絡(luò)安全;安全檢測(cè);卷積神經(jīng)網(wǎng)絡(luò);非對(duì)稱(chēng)分解卷積

    中圖分類(lèi)號(hào):TP18 ? ? 文獻(xiàn)標(biāo)識(shí)碼:A

    Network Security Detection based on Asymmetric Decomposed Convolution

    FENG Renjun, WU Ji, WANG Zhenyu, JING Dongsheng

    (Suzhou Power Supply Branch, State Grid Jiangsu Electric Power Limited Company, Suzhou 215004, China)

    frj1989@126.com; 13862159678@163.com; gcxy6@hotmail.com; jds19810119@163.com

    Abstract: In recent years, network security detection has made great progress. However, the rapid development of communication networks, changes of the traffic distribution and the noise in data samples all pose great challenges to the existing network security detection methods. To solve this problem, an approach referred as Network Security Detection based on Asymmetric Decomposition Convolution (ADC-NSD) is proposed. ADC-NSD generates a security detection model to distinguish normal state and dangerous state according to the training and learning of network connection data, and then analyzes and checks the data through decomposing the convolution kernel of the convolution neural network (CNN). Finally, using KDDCUP99 (KDD: Knowledge Discovery and Data Mining) dataset as testing dataset, ADC-NSD is measured against other machine learning algorithms. The results show that ADC-NSD could be well applied to network security detection. The overall accuracy rating is 98.72%, precision rate being 99.92%, recall rate being 94.61% and F1 score being 97.19%.

    Keywords: network security; security detection; convolution neural network; asymmetric decomposed convolution

    1 ? 引言(Introduction)

    網(wǎng)絡(luò)技術(shù)的發(fā)展為人們的生產(chǎn)與生活提供了很多的便捷,但也始終伴隨著網(wǎng)絡(luò)安全問(wèn)題。這一問(wèn)題得到了人們的廣泛關(guān)注,成為一個(gè)研究熱點(diǎn)。

    雖然目前針對(duì)網(wǎng)絡(luò)安全檢測(cè)的研究工作已經(jīng)取得了很大的進(jìn)步,但也存在大量問(wèn)題,如需要人工標(biāo)注數(shù)據(jù)集、學(xué)習(xí)效率差、方法實(shí)用性弱等。深度學(xué)習(xí)通過(guò)構(gòu)建多層的神經(jīng)網(wǎng)絡(luò)對(duì)大量原始數(shù)據(jù)進(jìn)行表征學(xué)習(xí),具備較強(qiáng)的構(gòu)建模型及推理能力,廣泛應(yīng)用于醫(yī)學(xué)研究[1]、機(jī)器人控制[2]、圖像識(shí)別[3]和自然語(yǔ)言處理[4]等領(lǐng)域。

    因此,如何充分發(fā)揮深度學(xué)習(xí)的優(yōu)勢(shì)以提高安全檢測(cè)模型的分析和預(yù)測(cè)能力,顯得尤為有意義。針對(duì)此,本文將非對(duì)稱(chēng)分解卷積應(yīng)用到網(wǎng)絡(luò)安全檢測(cè)模型的構(gòu)建與提取特征之中。首先,通過(guò)預(yù)處理模塊生成滿足需求的數(shù)據(jù)用于訓(xùn)練;然后將傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中的卷積核進(jìn)行非對(duì)稱(chēng)分解;最后,將改進(jìn)的模型應(yīng)用于安全檢測(cè)。本文在KDDCUP99數(shù)據(jù)集[5]上進(jìn)行了測(cè)試。結(jié)果表明,本文方法在網(wǎng)絡(luò)安全檢測(cè)過(guò)程中表現(xiàn)出了高效性和可靠性。

    2 ? 相關(guān)研究(Related work)

    2.1 ? 深度學(xué)習(xí)

    深度學(xué)習(xí)通過(guò)構(gòu)建多層的神經(jīng)網(wǎng)絡(luò)對(duì)原始的大量的數(shù)據(jù)進(jìn)行表征學(xué)習(xí),從而提取出原始數(shù)據(jù)中的抽象原始特征。深度學(xué)習(xí)擁有較強(qiáng)的構(gòu)建模型能力及推理能力,可以通過(guò)一系列的函數(shù)計(jì)算模擬計(jì)算機(jī)在神經(jīng)元里的激活活動(dòng),從而學(xué)習(xí)數(shù)據(jù)特征。其中,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的代表。深度神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練大量帶標(biāo)簽數(shù)據(jù),利用反向傳播算法從而能夠提取數(shù)據(jù)特征。

    與此同時(shí),深度學(xué)習(xí)也應(yīng)用到了大量無(wú)監(jiān)督學(xué)習(xí)算法、半監(jiān)督學(xué)習(xí)算法及強(qiáng)化學(xué)習(xí)算法,如生成對(duì)抗網(wǎng)絡(luò)(Generative Adverse Network,GAN)[6],深度強(qiáng)化學(xué)習(xí)(Deep Reinforcement Learning, DRL)[7]和深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)[8]等。這些深度學(xué)習(xí)算法通過(guò)對(duì)輸入數(shù)據(jù)的處理和分析,不需要數(shù)據(jù)標(biāo)簽即可學(xué)習(xí)特征。

    深度學(xué)習(xí)強(qiáng)大的特征提取能力使得其在圖像處理、文本識(shí)別、人臉檢測(cè)、自動(dòng)駕駛等多個(gè)領(lǐng)域取得了重大的突破。

    2.2 ? 網(wǎng)絡(luò)安全檢測(cè)

    網(wǎng)絡(luò)安全檢測(cè)是一種主動(dòng)的網(wǎng)絡(luò)安全實(shí)時(shí)保護(hù)。它通過(guò)檢測(cè)網(wǎng)絡(luò)過(guò)程中的內(nèi)部和外部攻擊及失誤操作,能夠有效地彌補(bǔ)網(wǎng)絡(luò)防火墻的缺陷,對(duì)防火墻進(jìn)行高效地補(bǔ)充和提高。網(wǎng)絡(luò)安全檢測(cè)一般有異常檢測(cè)和誤用檢測(cè)兩種。異常檢測(cè)的檢測(cè)率偏低,但是不需要檢測(cè)的先驗(yàn)知識(shí),因此能夠檢測(cè)到突變的,以及未曾有過(guò)的入侵行為,是目前的主流研究方向;誤用檢測(cè)利用已有的入侵檢測(cè)行為,無(wú)法對(duì)突變的或者全新的攻擊行為進(jìn)行識(shí)別。

    網(wǎng)絡(luò)入侵檢測(cè)是一種常見(jiàn)的網(wǎng)絡(luò)安全檢測(cè)方法。網(wǎng)絡(luò)入侵檢測(cè)的目的在于能夠主動(dòng)防御從內(nèi)部或者網(wǎng)絡(luò)來(lái)的攻擊,通過(guò)相應(yīng)的手段來(lái)及時(shí)準(zhǔn)確的預(yù)測(cè)出會(huì)產(chǎn)生的入侵行為,并做出相應(yīng)的防御措施,從而減少安全工作人員的維護(hù)壓力并提高系統(tǒng)的安全防護(hù)能力。近年來(lái),很多研究人員對(duì)網(wǎng)絡(luò)安全檢測(cè)方法進(jìn)行了深入的學(xué)習(xí)和探索。Shone等人[9]利用非對(duì)稱(chēng)深度自動(dòng)編碼器對(duì)入侵檢測(cè)進(jìn)行建立深度學(xué)習(xí)分類(lèi)模型;錢(qián)亞冠等人[10]利用毒性攻擊,改變支持向量機(jī)(Support Vector Machine, SVM)機(jī)器學(xué)習(xí)過(guò)程,降低了對(duì)攻擊流量的識(shí)別率;潘建國(guó)等人[11]用支持向量機(jī)進(jìn)行預(yù)訓(xùn)練獲取入侵檢測(cè)判定規(guī)則并應(yīng)用于物聯(lián)網(wǎng)中每個(gè)節(jié)點(diǎn);石樂(lè)義等人[12]根據(jù)相關(guān)信息熵的算法進(jìn)行特征選擇,再利用深度學(xué)習(xí)方法學(xué)習(xí)數(shù)據(jù)特征;吳亞麗等人[13]利用稀疏降噪自編碼網(wǎng)絡(luò)自動(dòng)提取入侵?jǐn)?shù)據(jù)的最優(yōu)特征,提高了模型的魯棒性。

    3 ? 方法設(shè)計(jì)(Method design)

    本文提出一種非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)方法。在最近的入侵檢測(cè)領(lǐng)域中,傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)方法與機(jī)器學(xué)習(xí)方法相輔相成,包括馬爾科夫鏈、決策樹(shù)、決策森林、貝葉斯分類(lèi)及隱馬爾可夫等。但總體而言,需要計(jì)算的數(shù)據(jù)量龐大、實(shí)時(shí)性低,因此難以滿足網(wǎng)絡(luò)安全檢測(cè)的要求。本文提出的基于非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)方法,將不同形式的對(duì)稱(chēng)卷積因式分解為非對(duì)稱(chēng)結(jié)構(gòu)并應(yīng)用于網(wǎng)絡(luò)安全檢測(cè)。

    3.1 ? KDDCUP99數(shù)據(jù)集

    本文使用KDDCUP99數(shù)據(jù)集[5]作為訓(xùn)練和測(cè)試數(shù)據(jù)集。該數(shù)據(jù)集由大量的異常連接數(shù)據(jù)與正常連接數(shù)據(jù)構(gòu)成,是用于評(píng)估網(wǎng)絡(luò)安全檢測(cè)模型的一套標(biāo)準(zhǔn)數(shù)據(jù)集。很多入侵檢測(cè)的研究工作在此數(shù)據(jù)集進(jìn)行測(cè)試。

    KDDCUP99的訓(xùn)練集由不同的攻擊類(lèi)型與正常類(lèi)型構(gòu)成,測(cè)試集中包含17中未知攻擊。樣本共分為五大類(lèi),分別為:探測(cè)攻擊、拒絕服務(wù)攻擊、遠(yuǎn)程對(duì)本地攻擊、用戶對(duì)管理員攻擊和正常。KDDCUP99的每個(gè)樣本包括了41個(gè)固定特征屬性與一個(gè)類(lèi)標(biāo)識(shí)符。這些固定特征屬性里,32個(gè)特征屬性為連續(xù)的,9個(gè)特征屬性為離散類(lèi)型。例如其中的一條連接記錄如下:

    0, udp, http, sf, 289, 2478, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 6, 6, 0, 0, 0, 0, 1, 0, 0, 29, 255, 1, 0, 0.02, 0.03, 0, 0, 0, 0, normal

    該記錄加上最后的標(biāo)簽,共有42個(gè)特征屬性。其中第1—10位為基本特征,第11—22位為內(nèi)容特征,第23—41位為流量統(tǒng)計(jì)特征。

    3.2 ? 數(shù)據(jù)預(yù)處理

    原始的KDDCUP99數(shù)據(jù)集為異構(gòu)數(shù)據(jù)集,因而需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,以便于對(duì)攻擊類(lèi)型分類(lèi)。其中,對(duì)離散型和連續(xù)性數(shù)據(jù)進(jìn)行不同的處理方法與歸一化。離散的特征變量采用獨(dú)熱編碼(one-hot)處理,而英文單詞(如數(shù)據(jù)集的協(xié)議與服務(wù)類(lèi)型)的編碼則使用數(shù)值代替。協(xié)議類(lèi)型和編碼如表1所示。

    經(jīng)過(guò)處理后的數(shù)據(jù)集雖然已經(jīng)可以進(jìn)行訓(xùn)練,但為了加快模型的收斂速度與學(xué)習(xí)能力,需要減少樣本的數(shù)值之差。將樣本數(shù)據(jù)進(jìn)行歸一化,使樣本數(shù)據(jù)全部在[0,1]區(qū)間范圍內(nèi)。

    首先將特征數(shù)值進(jìn)行標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化公式為:

    (1)

    其中,n為原始特征值,n'為標(biāo)準(zhǔn)化后的特征值,AVG為特征值的平均值,STAD為平均絕對(duì)誤差。

    然后,對(duì)標(biāo)準(zhǔn)化后的數(shù)進(jìn)行歸一化處理,采用公式如下:

    (2)

    (3)

    (4)

    其中,n'為標(biāo)準(zhǔn)化之后的特征值。

    3.3 ? 模型結(jié)構(gòu)與分析

    基于非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)采用了非對(duì)稱(chēng)卷積模型架構(gòu)。本文將較大的對(duì)稱(chēng)卷積分解為多個(gè)小的非對(duì)稱(chēng)卷積,以提高訓(xùn)練精度與速度。使用非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)有三個(gè)優(yōu)點(diǎn):(1)通過(guò)非對(duì)稱(chēng)卷積,增加了網(wǎng)絡(luò)的非線性;(2)由于卷積被分解,由此可以降低過(guò)擬合的概率;(3)加速網(wǎng)絡(luò)計(jì)算。

    基于非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè)方法如算法1所示。

    算法1基于非對(duì)稱(chēng)分解卷積的網(wǎng)絡(luò)安全檢測(cè) (Network Security Detection Based on Asymmetric Decomposed Convolution,ADC-NSD)

    輸入:KDDCUP99網(wǎng)絡(luò)連接數(shù)據(jù)D

    輸出:訓(xùn)練完成的網(wǎng)絡(luò)參數(shù)θ'

    1. 初始化:神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)θ初始化為隨機(jī)較小數(shù)值

    2. 初始化:抽樣的樣本數(shù)量minibatch為32

    3. Repeat(對(duì)每次神經(jīng)網(wǎng)絡(luò)值傳遞)

    4. 對(duì)非字符值數(shù)據(jù)進(jìn)行獨(dú)熱操作

    5. 將數(shù)據(jù)標(biāo)準(zhǔn)化

    6. 將數(shù)據(jù)進(jìn)行min-max歸一化

    7. 在數(shù)據(jù)集中抽取minibatch樣本數(shù)據(jù)S

    8. S輸入全對(duì)稱(chēng)卷積層并激活輸出S'

    9. S'輸入非對(duì)稱(chēng)分解卷積層并激活池化輸出S''

    10. S''輸入全連接層并輸出結(jié)果

    11. 以Adam梯度更新反向傳播

    12. 更新θ

    13. Until到達(dá)預(yù)期訓(xùn)練次數(shù)

    14. 返回訓(xùn)練完成后的網(wǎng)絡(luò)參數(shù)θ'

    卷積神經(jīng)網(wǎng)絡(luò)模型是由卷積、激活和池化等一系列的線性,以及非線性的變化模塊所構(gòu)成。數(shù)據(jù)集經(jīng)過(guò)數(shù)次的變換可以得到更為抽象的特征,從而提高泛化能力。從某些方面來(lái)說(shuō),模型深度越深,層次越多,特征的可辨別能力也隨之提高,從而性能也相應(yīng)變好。然而,一般比較大的空間濾波器的卷積在計(jì)算方面需要的成本極其昂貴,因此本文將全對(duì)稱(chēng)卷積進(jìn)行因式分解,將原本對(duì)稱(chēng)高維卷積分解為非對(duì)稱(chēng)低維度卷積,以節(jié)省內(nèi)存和計(jì)算量,從而快速提高網(wǎng)絡(luò)性能。本文3×3的卷積分解示意圖如圖1所示。

    通過(guò)將對(duì)稱(chēng)卷積進(jìn)行結(jié)構(gòu)拆分為非對(duì)稱(chēng)卷積,一方面可以節(jié)約大量參數(shù),另一方面也加快了運(yùn)算速度,從而能夠分析更多樣的空間特征并提高特征的多元化。具體的卷積神經(jīng)網(wǎng)絡(luò)示意圖如圖2所示。

    在圖2中,第一層卷積層為全對(duì)稱(chēng)卷積層,采用5×5的卷積核,步長(zhǎng)為2;第二層與第三層為分解卷積層,分別為1×3的卷積核與3×1的卷積核,最后全連接層輸出數(shù)據(jù)。該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)節(jié)約了訓(xùn)練成本,由于激活層的輸出是高度相關(guān)的,通過(guò)分解使其在聚合前能夠有效降維,從而加快了訓(xùn)練速度,提升了性能。

    4 ? 實(shí)驗(yàn)結(jié)果和分析(Experimental results and analysis)

    實(shí)驗(yàn)?zāi)P瓦x取0.0005為學(xué)習(xí)率,優(yōu)化算法為Adam。本文選取了傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法與機(jī)器學(xué)習(xí)方法與本文模型(ADC-NSD)進(jìn)行對(duì)比,其中包括支持向量機(jī)(SVM)、決策樹(shù)(Decision Tree, DT)、K近鄰算法(K-Nearest Neighbor, KNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)。分別測(cè)試了不同方法的精確率、準(zhǔn)確率、召回率與F1值,如表2所示。

    從表2可以看得到不同的機(jī)器學(xué)習(xí)方法與本文的模型對(duì)于KDDCUP99數(shù)據(jù)集的訓(xùn)練效果。傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法比如支持向量機(jī)、決策樹(shù)和K近鄰算法模型的測(cè)試數(shù)據(jù)比較低,然而神經(jīng)網(wǎng)絡(luò)算法能獲得比較好的效果。通過(guò)對(duì)比傳統(tǒng)深度卷積網(wǎng)絡(luò)和非對(duì)稱(chēng)分解卷積,可以看出非對(duì)稱(chēng)分解卷積可以取得比較好的實(shí)驗(yàn)效果。本文的非對(duì)稱(chēng)分解卷積在所有模型里表現(xiàn)最好,展現(xiàn)了本模型的可靠性和高效性。

    5 ? 結(jié)論(Conclusion)

    相比傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法,深度卷積模型在處理網(wǎng)絡(luò)安全檢測(cè)過(guò)程中具有更獨(dú)特的優(yōu)勢(shì)。對(duì)于大規(guī)模數(shù)據(jù),深度卷積網(wǎng)絡(luò)能夠更精細(xì)地提取到數(shù)據(jù)特征。

    本文在深度卷積網(wǎng)絡(luò)的基礎(chǔ)上提出了非對(duì)稱(chēng)分解卷積,通過(guò)對(duì)完全對(duì)稱(chēng)卷積進(jìn)行分解為非對(duì)稱(chēng)卷積,快速地提高了網(wǎng)絡(luò)性能,對(duì)于空間特征處理的更加細(xì)膩,從而對(duì)大規(guī)模的網(wǎng)絡(luò)安全檢測(cè)數(shù)據(jù)的特征提取更加智能。最后,本文以KDDCUP99數(shù)據(jù)集為測(cè)試數(shù)據(jù),比較了多種機(jī)器學(xué)習(xí)方法。實(shí)驗(yàn)結(jié)果表明,本文提出的非對(duì)稱(chēng)分解卷積具有較好的安全檢測(cè)效果。

    參考文獻(xiàn)(References)

    [1] Ravi D, Wong C, Deligianni F, et al. Deep Learning for Health Informatics[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 21(1):4-21.

    [2] Shvets A, Rakhlin A, Kalinin A, et al. Automatic Instrument Segmentation in Robot-Assisted Surgery using Deep Learning[C]. International Conference on Machine Learning and Applications, 2018: 624-628.

    [3] 圣文順,孫艷文.卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用[J].軟件工程,2019,22(2):13-16.

    [4] Klein G, Kim Y, Deng Y, et al. OpenNMT: Open-Source Toolkit for Neural Machine Translation[C]. Meeting of the Association for Computational Linguistics, 2017: 67-72.

    [5] 郭成華.基于KDDCUP99數(shù)據(jù)集的入侵檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2017(12):60-63.

    [6] Karras T, Laine S, Aila T, et al. A Style-based Generator Architecture for Generative Adversarial Networks[C]. Computer Vision and Pattern Recognition, 2019: 4401-4410.

    [7] 李廣創(chuàng),程良倫.基于深度強(qiáng)化學(xué)習(xí)的機(jī)械臂避障路徑規(guī)劃研究[J].軟件工程,2019,22(3):12-15.

    [8] 滿忠昂,劉紀(jì)敏,孫宗錕.基于局部二值模式與深度置信網(wǎng)絡(luò)的人臉識(shí)別[J].軟件工程,2020,23(5):13-16.

    [9] Tang A, Mhamdi L, Mclernon D, et al. Deep learning approach for Network Intrusion Detection in Software Defined Networking[C]. International Conference on Wireless Networks, 2016: 258-263.

    [10] 錢(qián)亞冠,盧紅波,紀(jì)守領(lǐng),等.一種針對(duì)基于SVM入侵檢測(cè)系統(tǒng)的毒性攻擊方法[J].電子學(xué)報(bào),2019,47(1):59-65.

    [11] 潘建國(guó),李豪.基于實(shí)用拜占庭容錯(cuò)的物聯(lián)網(wǎng)入侵檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2019,39(6):1742-1746.

    [12] 石樂(lè)義,朱紅強(qiáng),劉祎豪,等.基于相關(guān)信息熵和CNN-BiLSTM的工業(yè)控制系統(tǒng)入侵檢測(cè)[J].計(jì)算機(jī)研究與發(fā)展,2019,56(11):2330-2338.

    [13] 吳亞麗,李國(guó)婷,付玉龍,等.基于自適應(yīng)魯棒性的入侵檢測(cè)模型[J].控制與決策,2019(11):2330-2336.

    作者簡(jiǎn)介:

    馮仁君(1989-),男,碩士,工程師.研究領(lǐng)域:軟件智能化,軟件項(xiàng)目管理,信息安全.

    吳 ?吉(1981-),女,學(xué)士,工程師.研究領(lǐng)域:信息安全,計(jì)算機(jī)應(yīng)用.

    王震宇(1981-),男,碩士,工程師.研究領(lǐng)域:信息安全,計(jì)算機(jī)應(yīng)用.

    景棟盛(1981-),男,碩士,高級(jí)工程師.研究領(lǐng)域:信息安全,軟件智能化.

    猜你喜歡
    安全檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)安全
    網(wǎng)絡(luò)安全
    網(wǎng)絡(luò)安全人才培養(yǎng)應(yīng)“實(shí)戰(zhàn)化”
    上網(wǎng)時(shí)如何注意網(wǎng)絡(luò)安全?
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    危險(xiǎn)場(chǎng)所開(kāi)展電氣防爆安全檢測(cè)
    農(nóng)產(chǎn)品質(zhì)量安全檢測(cè)監(jiān)管對(duì)策探討
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
    大壩安全檢測(cè)技術(shù)標(biāo)準(zhǔn)化中的關(guān)鍵問(wèn)題
    精品一区二区三区四区五区乱码| 汤姆久久久久久久影院中文字幕| 丰满迷人的少妇在线观看| 一二三四社区在线视频社区8| 亚洲精品一二三| 亚洲av日韩精品久久久久久密| 亚洲性夜色夜夜综合| 国产精品自产拍在线观看55亚洲 | 啦啦啦中文免费视频观看日本| 日本精品一区二区三区蜜桃| 成人影院久久| 精品国产乱码久久久久久男人| 99精国产麻豆久久婷婷| 久久免费观看电影| 美女主播在线视频| 最黄视频免费看| 中文字幕制服av| 精品国产一区二区久久| 日韩欧美三级三区| 亚洲男人天堂网一区| 岛国毛片在线播放| 另类亚洲欧美激情| 亚洲精品久久成人aⅴ小说| 国产一卡二卡三卡精品| 精品乱码久久久久久99久播| 国产精品麻豆人妻色哟哟久久| 亚洲国产av新网站| 免费看十八禁软件| 久久久久久人人人人人| 亚洲色图综合在线观看| 欧美亚洲 丝袜 人妻 在线| 久久久久国内视频| cao死你这个sao货| 久久久久久久精品吃奶| 欧美乱妇无乱码| 99国产精品一区二区蜜桃av | 亚洲少妇的诱惑av| 啦啦啦免费观看视频1| 欧美激情 高清一区二区三区| 女性生殖器流出的白浆| 母亲3免费完整高清在线观看| 美女高潮到喷水免费观看| 亚洲精品中文字幕一二三四区 | 精品一品国产午夜福利视频| 丝袜人妻中文字幕| 最新美女视频免费是黄的| 国产亚洲av高清不卡| 国产欧美日韩一区二区三| av超薄肉色丝袜交足视频| 国产精品久久电影中文字幕 | 超碰97精品在线观看| 18禁国产床啪视频网站| 欧美乱妇无乱码| 国产成人av激情在线播放| 亚洲三区欧美一区| 亚洲精品美女久久久久99蜜臀| 黄片大片在线免费观看| 国产免费视频播放在线视频| 精品亚洲成a人片在线观看| 搡老岳熟女国产| 国产伦人伦偷精品视频| 人妻久久中文字幕网| 在线 av 中文字幕| 亚洲第一青青草原| 日本撒尿小便嘘嘘汇集6| 午夜日韩欧美国产| 99re在线观看精品视频| av超薄肉色丝袜交足视频| 免费av中文字幕在线| 侵犯人妻中文字幕一二三四区| 男女无遮挡免费网站观看| 欧美在线一区亚洲| 国产精品欧美亚洲77777| 一二三四在线观看免费中文在| 午夜福利一区二区在线看| 男女边摸边吃奶| 国产片内射在线| 亚洲欧美激情在线| 久久久国产精品麻豆| 亚洲国产av影院在线观看| 9191精品国产免费久久| 国产又爽黄色视频| 欧美亚洲 丝袜 人妻 在线| 两个人看的免费小视频| 亚洲欧洲日产国产| 亚洲成人免费电影在线观看| 性高湖久久久久久久久免费观看| 91麻豆av在线| 天堂俺去俺来也www色官网| 高清视频免费观看一区二区| 日韩有码中文字幕| 久久精品国产综合久久久| 精品亚洲成国产av| 日韩欧美免费精品| 欧美精品av麻豆av| 欧美 日韩 精品 国产| 欧美日韩中文字幕国产精品一区二区三区 | 久久中文字幕人妻熟女| 亚洲欧洲日产国产| 国产无遮挡羞羞视频在线观看| 国产欧美日韩精品亚洲av| bbb黄色大片| 91九色精品人成在线观看| 精品亚洲成国产av| 一边摸一边抽搐一进一小说 | 国产无遮挡羞羞视频在线观看| 成年人免费黄色播放视频| 国产国语露脸激情在线看| 国产精品免费视频内射| 国产精品免费一区二区三区在线 | 十分钟在线观看高清视频www| 亚洲va日本ⅴa欧美va伊人久久| av在线播放免费不卡| 国产黄色免费在线视频| 国产成人精品久久二区二区免费| 亚洲美女黄片视频| 国产成人精品无人区| 成人18禁在线播放| 老熟妇仑乱视频hdxx| 久久精品人人爽人人爽视色| 高清av免费在线| 亚洲欧美精品综合一区二区三区| 大香蕉久久网| 国产一区二区在线观看av| 国产成+人综合+亚洲专区| 国产又色又爽无遮挡免费看| 波多野结衣一区麻豆| 美女福利国产在线| 午夜福利乱码中文字幕| 亚洲熟女精品中文字幕| 亚洲成人手机| 国产又爽黄色视频| 国产欧美日韩一区二区精品| 两性午夜刺激爽爽歪歪视频在线观看 | 一区二区三区国产精品乱码| 国产精品久久久av美女十八| tocl精华| 黄色毛片三级朝国网站| av在线播放免费不卡| 亚洲人成电影观看| 91九色精品人成在线观看| 精品国产一区二区三区四区第35| 这个男人来自地球电影免费观看| 精品国产国语对白av| 国产不卡一卡二| 18在线观看网站| 啦啦啦在线免费观看视频4| 精品亚洲成a人片在线观看| 亚洲av欧美aⅴ国产| 国产精品一区二区免费欧美| tube8黄色片| 中亚洲国语对白在线视频| 黄片播放在线免费| 波多野结衣av一区二区av| 国产精品 国内视频| 日本av手机在线免费观看| 日韩欧美国产一区二区入口| 亚洲精华国产精华精| 精品国内亚洲2022精品成人 | 亚洲视频免费观看视频| 99久久精品国产亚洲精品| 岛国在线观看网站| av免费在线观看网站| 他把我摸到了高潮在线观看 | 久久人人爽av亚洲精品天堂| 亚洲少妇的诱惑av| 国产午夜精品久久久久久| 在线观看免费日韩欧美大片| 久久久久精品国产欧美久久久| 法律面前人人平等表现在哪些方面| 国产男女内射视频| 免费在线观看日本一区| 动漫黄色视频在线观看| 他把我摸到了高潮在线观看 | 69av精品久久久久久 | 999久久久精品免费观看国产| 久久亚洲精品不卡| 久久人妻熟女aⅴ| aaaaa片日本免费| 久久久久久久久免费视频了| 午夜两性在线视频| 国产又色又爽无遮挡免费看| 在线观看免费日韩欧美大片| 国产老妇伦熟女老妇高清| 欧美黑人欧美精品刺激| 桃花免费在线播放| 国产成人欧美| 免费观看av网站的网址| 啦啦啦在线免费观看视频4| 搡老岳熟女国产| 国产黄频视频在线观看| 国产精品久久久久成人av| 黄片小视频在线播放| 午夜老司机福利片| 天堂俺去俺来也www色官网| 黄色视频,在线免费观看| 久久久国产成人免费| 天堂8中文在线网| www.自偷自拍.com| 欧美日韩成人在线一区二区| 成年人午夜在线观看视频| 一二三四社区在线视频社区8| 亚洲成a人片在线一区二区| 亚洲avbb在线观看| 岛国在线观看网站| 黄色视频不卡| 最近最新中文字幕大全电影3 | 欧美激情 高清一区二区三区| 日本vs欧美在线观看视频| 下体分泌物呈黄色| 香蕉丝袜av| 青青草视频在线视频观看| 国产一区有黄有色的免费视频| 中文欧美无线码| 亚洲中文日韩欧美视频| 欧美激情 高清一区二区三区| 夜夜夜夜夜久久久久| 黄网站色视频无遮挡免费观看| 大陆偷拍与自拍| 久久人妻av系列| 亚洲成人免费av在线播放| 国产精品偷伦视频观看了| 国产亚洲精品一区二区www | 国产精品美女特级片免费视频播放器 | 黄色视频不卡| 国产日韩一区二区三区精品不卡| h视频一区二区三区| 热99re8久久精品国产| 亚洲欧美精品综合一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 真人做人爱边吃奶动态| 国产精品 国内视频| 男男h啪啪无遮挡| 天天躁狠狠躁夜夜躁狠狠躁| 99香蕉大伊视频| 老司机在亚洲福利影院| 成人亚洲精品一区在线观看| 黑人欧美特级aaaaaa片| 久久久久久免费高清国产稀缺| 欧美黑人欧美精品刺激| 欧美精品人与动牲交sv欧美| 另类亚洲欧美激情| 日韩熟女老妇一区二区性免费视频| 日本vs欧美在线观看视频| 五月天丁香电影| 亚洲第一青青草原| 性少妇av在线| av免费在线观看网站| 久久久久精品人妻al黑| 亚洲天堂av无毛| 正在播放国产对白刺激| 午夜福利视频精品| av天堂在线播放| 交换朋友夫妻互换小说| 国产亚洲欧美精品永久| 丁香六月欧美| 天天躁狠狠躁夜夜躁狠狠躁| 一级片免费观看大全| 精品第一国产精品| 国产高清视频在线播放一区| 俄罗斯特黄特色一大片| 国产成人啪精品午夜网站| 久久久精品区二区三区| 国产午夜精品久久久久久| 中文欧美无线码| 国产片内射在线| 女人被躁到高潮嗷嗷叫费观| 国产一区二区三区在线臀色熟女 | 十八禁网站免费在线| 免费人妻精品一区二区三区视频| 欧美成人免费av一区二区三区 | www.精华液| 岛国在线观看网站| 国产不卡av网站在线观看| a在线观看视频网站| 天堂8中文在线网| 欧美av亚洲av综合av国产av| 18在线观看网站| 亚洲欧美日韩高清在线视频 | 极品人妻少妇av视频| 国产精品熟女久久久久浪| 精品一品国产午夜福利视频| 制服诱惑二区| 亚洲国产欧美网| 新久久久久国产一级毛片| 最近最新中文字幕大全免费视频| 久久人妻熟女aⅴ| 99久久国产精品久久久| 日日爽夜夜爽网站| 精品一区二区三卡| 岛国毛片在线播放| 老司机午夜十八禁免费视频| 激情在线观看视频在线高清 | 一区二区日韩欧美中文字幕| 成人黄色视频免费在线看| 99久久99久久久精品蜜桃| 亚洲欧美色中文字幕在线| 亚洲av日韩在线播放| 国产精品欧美亚洲77777| 亚洲全国av大片| 中国美女看黄片| 淫妇啪啪啪对白视频| 在线亚洲精品国产二区图片欧美| 黄色视频,在线免费观看| bbb黄色大片| 国产精品98久久久久久宅男小说| 国产欧美亚洲国产| 成人国产av品久久久| 不卡一级毛片| 国产成人精品在线电影| 一本色道久久久久久精品综合| 一区二区三区激情视频| 国产福利在线免费观看视频| 精品午夜福利视频在线观看一区 | 国产91精品成人一区二区三区 | 999久久久精品免费观看国产| 99国产精品一区二区蜜桃av | 窝窝影院91人妻| 18禁观看日本| 满18在线观看网站| 亚洲色图综合在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 久久99一区二区三区| 国产麻豆69| 在线十欧美十亚洲十日本专区| 一区福利在线观看| 一区二区av电影网| 亚洲熟女精品中文字幕| 国产成人精品久久二区二区免费| 波多野结衣av一区二区av| 国产欧美日韩综合在线一区二区| 多毛熟女@视频| 欧美激情久久久久久爽电影 | 俄罗斯特黄特色一大片| 大片电影免费在线观看免费| 成人特级黄色片久久久久久久 | 久久久久久亚洲精品国产蜜桃av| 国产老妇伦熟女老妇高清| 深夜精品福利| 精品熟女少妇八av免费久了| 亚洲专区国产一区二区| 国产日韩欧美在线精品| 视频在线观看一区二区三区| 国产免费视频播放在线视频| 1024香蕉在线观看| 成人国产av品久久久| 免费观看人在逋| 国产一区二区 视频在线| 亚洲伊人色综图| av网站在线播放免费| 色婷婷久久久亚洲欧美| 亚洲熟妇熟女久久| 久久精品国产99精品国产亚洲性色 | 国产男女内射视频| 日日摸夜夜添夜夜添小说| 在线观看人妻少妇| 高清毛片免费观看视频网站 | 成年人免费黄色播放视频| 日本撒尿小便嘘嘘汇集6| 黄色视频在线播放观看不卡| 日韩精品免费视频一区二区三区| 日韩一卡2卡3卡4卡2021年| 黄色成人免费大全| 日本精品一区二区三区蜜桃| 操美女的视频在线观看| 欧美精品亚洲一区二区| 黄频高清免费视频| 亚洲成人手机| 精品视频人人做人人爽| 国产欧美日韩综合在线一区二区| 激情在线观看视频在线高清 | 少妇裸体淫交视频免费看高清 | 少妇猛男粗大的猛烈进出视频| 亚洲精品中文字幕在线视频| 狠狠狠狠99中文字幕| 久久人妻av系列| av天堂在线播放| 黄片大片在线免费观看| 亚洲色图综合在线观看| 80岁老熟妇乱子伦牲交| 18在线观看网站| 五月天丁香电影| 成在线人永久免费视频| 国产视频一区二区在线看| 亚洲av日韩精品久久久久久密| 俄罗斯特黄特色一大片| 黑人猛操日本美女一级片| 亚洲少妇的诱惑av| 91国产中文字幕| 两性午夜刺激爽爽歪歪视频在线观看 | 极品教师在线免费播放| 人人澡人人妻人| 国产免费av片在线观看野外av| 国产精品亚洲av一区麻豆| 悠悠久久av| 久久精品成人免费网站| 五月天丁香电影| 久久亚洲精品不卡| 国产在线免费精品| 十八禁网站网址无遮挡| 久久影院123| 搡老岳熟女国产| 国产极品粉嫩免费观看在线| 婷婷成人精品国产| 国产精品 国内视频| 99国产精品一区二区三区| 欧美午夜高清在线| 香蕉国产在线看| 日日夜夜操网爽| 天天影视国产精品| 亚洲国产av新网站| 日韩中文字幕欧美一区二区| 天天操日日干夜夜撸| 久久青草综合色| 少妇被粗大的猛进出69影院| 99热网站在线观看| 国产无遮挡羞羞视频在线观看| cao死你这个sao货| 国产成+人综合+亚洲专区| 五月开心婷婷网| 熟女少妇亚洲综合色aaa.| 亚洲 国产 在线| a在线观看视频网站| 国产免费视频播放在线视频| 91麻豆精品激情在线观看国产 | 老熟妇仑乱视频hdxx| 男女边摸边吃奶| 欧美国产精品va在线观看不卡| 日韩一区二区三区影片| 性高湖久久久久久久久免费观看| 一级毛片女人18水好多| 91成年电影在线观看| 成人永久免费在线观看视频 | 999精品在线视频| 黄色片一级片一级黄色片| videos熟女内射| 自拍欧美九色日韩亚洲蝌蚪91| av在线播放免费不卡| 国产高清国产精品国产三级| 亚洲精品国产精品久久久不卡| 亚洲av片天天在线观看| 国产成人精品无人区| 一级黄色大片毛片| av福利片在线| 国产在线观看jvid| 最近最新中文字幕大全电影3 | 免费观看人在逋| 手机成人av网站| 国产成人影院久久av| 飞空精品影院首页| 桃花免费在线播放| 考比视频在线观看| 国产av国产精品国产| 亚洲性夜色夜夜综合| 欧美激情久久久久久爽电影 | av线在线观看网站| 熟女少妇亚洲综合色aaa.| 夫妻午夜视频| 女人被躁到高潮嗷嗷叫费观| 黄频高清免费视频| 午夜日韩欧美国产| 国产不卡av网站在线观看| av又黄又爽大尺度在线免费看| 涩涩av久久男人的天堂| 亚洲国产av影院在线观看| av免费在线观看网站| 91精品三级在线观看| 国产精品久久电影中文字幕 | 天堂俺去俺来也www色官网| 国产视频一区二区在线看| av超薄肉色丝袜交足视频| 亚洲午夜精品一区,二区,三区| 免费女性裸体啪啪无遮挡网站| 亚洲中文日韩欧美视频| 国产一区二区激情短视频| 精品国产乱子伦一区二区三区| 午夜福利,免费看| 丰满迷人的少妇在线观看| 精品少妇黑人巨大在线播放| 亚洲国产欧美网| 天天操日日干夜夜撸| 欧美日韩黄片免| 操美女的视频在线观看| 国产精品国产av在线观看| 国精品久久久久久国模美| 中文字幕人妻丝袜制服| 国产视频一区二区在线看| 国产国语露脸激情在线看| 国产xxxxx性猛交| 9色porny在线观看| 精品国产一区二区三区久久久樱花| 激情在线观看视频在线高清 | 免费在线观看日本一区| 久久人妻熟女aⅴ| 亚洲熟女毛片儿| 三级毛片av免费| 精品一区二区三卡| 怎么达到女性高潮| 香蕉丝袜av| 麻豆乱淫一区二区| 日本wwww免费看| 久久精品aⅴ一区二区三区四区| 看免费av毛片| 久久久久视频综合| 日韩视频在线欧美| 久久热在线av| 国内毛片毛片毛片毛片毛片| 变态另类成人亚洲欧美熟女 | 丁香欧美五月| 青青草视频在线视频观看| 国产精品av久久久久免费| 欧美精品亚洲一区二区| 午夜精品久久久久久毛片777| 三上悠亚av全集在线观看| 亚洲欧洲日产国产| 女人久久www免费人成看片| 欧美国产精品va在线观看不卡| 91国产中文字幕| 91成人精品电影| 欧美成人免费av一区二区三区 | 免费少妇av软件| 日本vs欧美在线观看视频| 涩涩av久久男人的天堂| 亚洲精品国产一区二区精华液| 日本黄色日本黄色录像| 老司机亚洲免费影院| 如日韩欧美国产精品一区二区三区| 亚洲美女黄片视频| 搡老乐熟女国产| 午夜福利在线免费观看网站| 一级a爱视频在线免费观看| 国产欧美日韩综合在线一区二区| 一区福利在线观看| 久久人人爽av亚洲精品天堂| 国内毛片毛片毛片毛片毛片| 激情视频va一区二区三区| 夜夜夜夜夜久久久久| 18禁国产床啪视频网站| 天天躁日日躁夜夜躁夜夜| 超色免费av| 精品亚洲成a人片在线观看| 中文字幕最新亚洲高清| 黑丝袜美女国产一区| 在线观看免费视频日本深夜| 日本vs欧美在线观看视频| 国产一卡二卡三卡精品| 一区二区三区乱码不卡18| 十八禁人妻一区二区| 亚洲少妇的诱惑av| 两个人看的免费小视频| 性色av乱码一区二区三区2| 另类精品久久| 中文字幕色久视频| 十八禁网站网址无遮挡| 亚洲午夜精品一区,二区,三区| 国产欧美日韩综合在线一区二区| 两个人免费观看高清视频| 啦啦啦视频在线资源免费观看| 亚洲av欧美aⅴ国产| 欧美+亚洲+日韩+国产| 国产精品 欧美亚洲| 五月开心婷婷网| 最新美女视频免费是黄的| 久久中文字幕一级| 国产一区二区三区视频了| 大码成人一级视频| 久久久水蜜桃国产精品网| 在线 av 中文字幕| bbb黄色大片| 国产欧美日韩一区二区三| 国产亚洲精品一区二区www | 精品国产乱子伦一区二区三区| 久久99一区二区三区| 999久久久国产精品视频| www.熟女人妻精品国产| 99精国产麻豆久久婷婷| 久久国产精品影院| 亚洲伊人久久精品综合| 国产一卡二卡三卡精品| 老司机深夜福利视频在线观看| 69精品国产乱码久久久| 久久亚洲精品不卡| 99九九在线精品视频| 国产精品偷伦视频观看了| 欧美精品高潮呻吟av久久| 窝窝影院91人妻| 亚洲精品自拍成人| 精品亚洲成国产av| 国产在线精品亚洲第一网站| 国产福利在线免费观看视频| www.自偷自拍.com| 精品第一国产精品| 国产成人精品无人区| 亚洲av成人不卡在线观看播放网| 久久影院123| 亚洲七黄色美女视频| 亚洲 国产 在线| 最新美女视频免费是黄的| 男女免费视频国产| 国产深夜福利视频在线观看| 最近最新中文字幕大全电影3 | 国产精品成人在线| 国产淫语在线视频| 色综合婷婷激情| 国产色视频综合| av欧美777| 丰满少妇做爰视频| 首页视频小说图片口味搜索| 国产欧美亚洲国产| 在线观看免费视频日本深夜| 精品久久蜜臀av无| 国产精品.久久久| 国产日韩欧美视频二区| 午夜激情久久久久久久| 老司机影院毛片|