基于深度學(xué)習(xí)算法的網(wǎng)絡(luò)安全應(yīng)用研究

摘? 要：按照安全管理性、直觀科學(xué)性和可擴(kuò)展性原則，設(shè)計了基于表征、度量深度學(xué)習(xí)算法的計算機(jī)網(wǎng)絡(luò)安全系統(tǒng)架構(gòu)，利用交互接口和神經(jīng)網(wǎng)絡(luò)算法、卷積運算算法兩項關(guān)鍵算法技術(shù)進(jìn)行計算機(jī)網(wǎng)絡(luò)安全預(yù)測分析和計算機(jī)信息安全等級解譯，通過解釋機(jī)制的優(yōu)化、深度學(xué)習(xí)算法推理及核心知識獲取，實現(xiàn)了對計算機(jī)網(wǎng)絡(luò)應(yīng)用數(shù)據(jù)的安全常態(tài)化管理。

關(guān)鍵詞：深度學(xué)習(xí)算法；網(wǎng)絡(luò)安全；應(yīng)用數(shù)據(jù)

中圖分類號：TP18；TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2023）12-0158-04

Research on Network Security Application Based on Deep Learning Algorithm

LI Chunmei

（Xi'an Vocational University of Automobile， Xi'an? 710600， China）

Abstract： According to the principles of security management， intuitive scientificity and scalability， a computer Internet Security Systems architecture based on representation and measurement deep learning algorithm is designed. The computer network security prediction analysis and computer information security level interpretation are carried out by using two key algorithm technologies， namely， interactive interface and neural network algorithm， and convolution algorithm. By optimizing the explanation mechanism， deep learning algorithm inference， and acquiring core knowledge， the safety and normalized management of computer network application data has been achieved.

Keywords： deep learning algorithm; network security; application data

0? 引? 言

隨著互聯(lián)網(wǎng)、人工智能和網(wǎng)絡(luò)信息技術(shù)迅速發(fā)展，卷積運算、決策樹分類、神經(jīng)網(wǎng)絡(luò)算法以及梯度分類等深度學(xué)習(xí)方法被廣泛應(yīng)用于信息自動化識別技術(shù)領(lǐng)域。與傳統(tǒng)的計算機(jī)網(wǎng)絡(luò)信息安全管理識別方法相比，基于神經(jīng)網(wǎng)絡(luò)和卷積運算的深度學(xué)習(xí)算法具備良好的信息處理、分類、存儲、識別、比對等功能，可針對計算機(jī)網(wǎng)絡(luò)安全風(fēng)險進(jìn)行非線性、智能化管理，大大提升了網(wǎng)絡(luò)安全數(shù)據(jù)應(yīng)用、管理效能[1]?；诖?，本文主要通過基于深度學(xué)習(xí)算法的網(wǎng)絡(luò)安全架構(gòu)設(shè)計，運用神經(jīng)網(wǎng)絡(luò)技術(shù)和卷積運算技術(shù)進(jìn)行深度學(xué)習(xí)，基于安全管理性、直觀科學(xué)性和可擴(kuò)展性原則，將深度學(xué)習(xí)算法關(guān)鍵技術(shù)和整體架構(gòu)流程運用到計算機(jī)網(wǎng)絡(luò)安全管理策略的制定中，更好地實現(xiàn)網(wǎng)絡(luò)信息安全管理。

1? 基于神經(jīng)網(wǎng)絡(luò)算法進(jìn)行計算機(jī)網(wǎng)絡(luò)安全預(yù)測

神經(jīng)網(wǎng)絡(luò)算法技術(shù)是集獲取、分析和預(yù)測計算機(jī)網(wǎng)絡(luò)信息知識為一體的預(yù)測模型，它能夠運用交叉驗證方法深度分析、對比深層深度學(xué)習(xí)與淺層機(jī)器學(xué)習(xí)的功能，并基于精準(zhǔn)化預(yù)測結(jié)果，可核驗分析計算機(jī)網(wǎng)絡(luò)信息知識特征的復(fù)雜程度，以及優(yōu)化深層深度學(xué)習(xí)結(jié)果精度，根據(jù)如圖1所示神經(jīng)網(wǎng)絡(luò)算法模型，不難看出，圖1（a）為淺層機(jī)器學(xué)習(xí)，而圖1（b）為深層深度學(xué)習(xí)，兩者相比，圖1（b）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法一共有三層，分別為an層、xn層和bn層，這三層均以淺層學(xué)習(xí)為主，分別承擔(dān)著計算機(jī)網(wǎng)絡(luò)信息知識輸入、隱匿和輸出三大基本功能，從圖中可以看出，在神經(jīng)網(wǎng)絡(luò)淺層學(xué)習(xí)過程中，各層既相互聯(lián)系，又互相獨立，但層與層之間通過權(quán)重系數(shù)進(jìn)行計算機(jī)網(wǎng)絡(luò)信息知識特征的算法模型共享共建[2]。

與神經(jīng)網(wǎng)絡(luò)淺層學(xué)習(xí)方法相比，深度學(xué)習(xí)法在計算機(jī)網(wǎng)絡(luò)安全預(yù)測分析過程中，為了降低預(yù)測結(jié)果誤差，使計算機(jī)網(wǎng)絡(luò)安全預(yù)測分析結(jié)果更加接近于真實參數(shù)值，通過在神經(jīng)網(wǎng)絡(luò)深層深度學(xué)習(xí)的信息隱匿層（即xn層）進(jìn)行特征向量強(qiáng)化識別，同時開展了多次交叉驗證，在深度學(xué)習(xí)中，進(jìn)一步優(yōu)化計算機(jī)網(wǎng)絡(luò)安全信息數(shù)據(jù)的特征向量權(quán)重，經(jīng)過調(diào)整各層參數(shù)權(quán)重系數(shù)，循環(huán)進(jìn)行數(shù)據(jù)集訓(xùn)練，并對各向量間權(quán)重系數(shù)相乘結(jié)果進(jìn)行模型深入對比分析，大大提高了計算機(jī)網(wǎng)絡(luò)安全信息深度學(xué)習(xí)預(yù)測的評估精度，從而實現(xiàn)了精準(zhǔn)化預(yù)測與安全預(yù)警[3]。

基于上述原理，在運用神經(jīng)網(wǎng)絡(luò)算法技術(shù)進(jìn)行計算機(jī)網(wǎng)絡(luò)安全預(yù)測分析過程中，為進(jìn)一步探索和掌握神經(jīng)網(wǎng)絡(luò)算法主體功能，進(jìn)而采用深度學(xué)習(xí)中的算法核心內(nèi)容分析人工神經(jīng)單元，首先需要在深度訓(xùn)練學(xué)習(xí)中，從輸入層將計算機(jī)網(wǎng)絡(luò)信息特征向量輸入其中，然后經(jīng)過隱藏層對計算機(jī)網(wǎng)絡(luò)信息數(shù)據(jù)進(jìn)行對比分析、迭代訓(xùn)練、淺層學(xué)習(xí)和深度學(xué)習(xí)交叉驗證，最后方可將預(yù)測結(jié)果分類輸出，通過數(shù)據(jù)迭代，在深度學(xué)習(xí)過程中，借助數(shù)學(xué)模型系統(tǒng)運算程序，基于隱藏層、輸出層和感知層三層分析模式，針對計算機(jī)網(wǎng)絡(luò)信息數(shù)據(jù)安全性進(jìn)行算法預(yù)測精度評估。

在該算法模型中，感知層集合了多層感知器進(jìn)行算法深度學(xué)習(xí)，基于下列公式模型對隱藏層信息進(jìn)行機(jī)器學(xué)習(xí)，其中b表示偏值，輸入向量、輸出層輸出向量分別用X （ X1， X2， X3，…， Xn ）t和Y （Y1， Y2， Y3，…， Yn ）t來表示，O為深度學(xué)習(xí)算法中的隱藏層輸出向量，分別用（O1， O2， O3， …， On）t來表示。

基于上述公式進(jìn)行交叉驗證，從而增強(qiáng)了圖像識別精度，并針對隱匿層各層輸入和輸出的計算機(jī)網(wǎng)絡(luò)數(shù)據(jù)信息結(jié)果多次進(jìn)行精準(zhǔn)的參數(shù)判斷分析。比如，在機(jī)器學(xué)習(xí)算法運行過程中，將Ha設(shè)定為感知數(shù)學(xué)模型參數(shù)閾值，依次經(jīng)過神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)，通過計算機(jī)網(wǎng)絡(luò)圖像識別結(jié)果參數(shù)判定、算法交叉驗證和隱匿層信息多次迭代之后，所要輸出的精準(zhǔn)數(shù)據(jù)結(jié)果滿足系統(tǒng)提前預(yù)設(shè)的參數(shù)閾值Ha，由此即可證明該感知數(shù)學(xué)模型和以機(jī)器學(xué)習(xí)算法為主的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)預(yù)測計算機(jī)網(wǎng)絡(luò)信息評估結(jié)果成立，與此同時，經(jīng)過數(shù)據(jù)隱匿層對評估結(jié)果指標(biāo)多次進(jìn)行深入的神經(jīng)網(wǎng)絡(luò)訓(xùn)練、參數(shù)結(jié)果調(diào)整、迭代結(jié)果傳輸，通過多次迭代循環(huán)訓(xùn)練之后，方能夠使神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)變得更加穩(wěn)定，從而能夠保證最終輸出的預(yù)測分析結(jié)果更加有效、精準(zhǔn)[4]。

2? 基于卷積運算算法進(jìn)行計算機(jī)信息安全解譯

神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法網(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜，運算過程中所要涉及的參數(shù)較多，而且在深度學(xué)習(xí)訓(xùn)練中，系統(tǒng)需要根據(jù)隱匿層輸出結(jié)果進(jìn)行閾值驗證，即需要深入明確和掌握數(shù)據(jù)結(jié)果學(xué)習(xí)、頻繁迭代中所要參照的訓(xùn)練樣本輸入輸出對應(yīng)規(guī)則，這就會增加數(shù)據(jù)訓(xùn)練難度。相比而言，卷積運算算法技術(shù)基于加深的網(wǎng)絡(luò)層級，能夠在減少神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)相關(guān)參數(shù)數(shù)量基礎(chǔ)上，高標(biāo)準(zhǔn)度表示計算機(jī)信息安全等級參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖如圖2所示?；诖?，在計算機(jī)網(wǎng)絡(luò)安全管理中，經(jīng)常需要將神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法和卷積運算算法技術(shù)融合在一起進(jìn)行使用，它顯著的優(yōu)勢就是在深度學(xué)習(xí)算法基礎(chǔ)上，可基于計算機(jī)網(wǎng)絡(luò)圖像識別精度和向量特征，通過如圖3所示的基本流程，對計算機(jī)信息安全等級特征進(jìn)行算法識別[5]。

從圖3可以看出，輸入計算機(jī)相關(guān)數(shù)據(jù)信息以后，系統(tǒng)首先需要進(jìn)行處理、鑲嵌計算機(jī)網(wǎng)絡(luò)安全信息特征向量，其次，將經(jīng)過識別后的計算機(jī)網(wǎng)絡(luò)安全信息特征向量依次傳輸至分別包含卷積層1、2的深度卷積層網(wǎng)絡(luò)模型中，經(jīng)過多次深入進(jìn)行深度卷積網(wǎng)絡(luò)運算，對相關(guān)特征向量參數(shù)進(jìn)行折疊處理、動態(tài)池化，基于Relu激活參數(shù)，即可提升計算機(jī)網(wǎng)絡(luò)信息卷積運算學(xué)習(xí)結(jié)果準(zhǔn)確度。然后，經(jīng)過卷積特征循環(huán)運算，即可通過全連接層將運算后的計算機(jī)網(wǎng)絡(luò)信息卷積學(xué)習(xí)特征向量信息輸出，并用于計算機(jī)網(wǎng)絡(luò)安全信息安全等級解譯。

從上述技術(shù)原理來看，卷積特征運算融合了深度學(xué)習(xí)算法優(yōu)勢，通過進(jìn)一步解譯分析計算機(jī)網(wǎng)絡(luò)安全信息等級，在充分提取深度學(xué)習(xí)和卷積算法優(yōu)勢特征基礎(chǔ)上，有效實現(xiàn)了信息安全等級解譯，但是需要注意的是，在提取卷積運算特征過程中，由于卷積運算各特征面均由上一層特征面的卷積核、神經(jīng)元等多個特征面進(jìn)行深度學(xué)習(xí)和卷積運算，所以經(jīng)過運算后的征向量信息需要再經(jīng)過如式（6）卷積運算公式進(jìn)行激活函數(shù)操作，從而方可輸出準(zhǔn)確的學(xué)習(xí)運算結(jié)果：

式中，P和b分別表示局部感受野和1層上的偏置值，第i層上的卷積核的權(quán)重以及第1-1層第i個窗口的特征值分別用k和x - 1表示。f表示卷積運算激活操作輸出函數(shù)Relu。

3? 基于深度學(xué)習(xí)算法的網(wǎng)絡(luò)安全應(yīng)用及實現(xiàn)

3.1? 計算機(jī)網(wǎng)絡(luò)風(fēng)險識別

從前文的論述研究中可以看出，深度學(xué)習(xí)算法技術(shù)在預(yù)測評估計算機(jī)網(wǎng)絡(luò)安全數(shù)據(jù)特征向量信息過程中，往往具有“多次交叉驗證”和“多次迭代”等技術(shù)優(yōu)勢與特征，因此在基于深度學(xué)習(xí)算法進(jìn)行計算機(jī)網(wǎng)絡(luò)安全風(fēng)險識別研究中，可基于如圖4所示的技術(shù)流程實現(xiàn)相關(guān)準(zhǔn)確預(yù)測與評估功能[6]：

1）基于深度學(xué)習(xí)算法進(jìn)行計算機(jī)網(wǎng)絡(luò)安全信息特征向量獲取，進(jìn)一步構(gòu)建預(yù)測評估計算機(jī)網(wǎng)絡(luò)安全信息結(jié)果的安全警示模型，利用數(shù)據(jù)特征向量信息預(yù)測評估功能模塊的計算機(jī)網(wǎng)絡(luò)安全風(fēng)險識別功能，即可實現(xiàn)對特征向量的篩選與計算機(jī)數(shù)據(jù)的降維分析。

2）將獲取的各類數(shù)據(jù)信息特征要素完整導(dǎo)入計算機(jī)網(wǎng)絡(luò)安全信息特征分析模型中，通過借助神經(jīng)網(wǎng)絡(luò)預(yù)測評估模型進(jìn)行數(shù)據(jù)多次交叉驗證分析和多次迭代處理，從而在深度學(xué)習(xí)與卷積運算中，深入分析并提取計算機(jī)網(wǎng)絡(luò)安全信息的精準(zhǔn)數(shù)據(jù)信息特征向量。

3）對各類信息特征向量進(jìn)行模型評估分析之后，基于深度學(xué)習(xí)算法迭代和卷積激活函數(shù)操作輸出后的計算機(jī)網(wǎng)絡(luò)安全信息數(shù)據(jù)特征要素值結(jié)果，即可用于計算機(jī)網(wǎng)絡(luò)信息安全等級的提示、分析、檢索和預(yù)警等。

3.2? 信息安全診斷預(yù)警

表征學(xué)習(xí)和度量學(xué)習(xí)是深度學(xué)習(xí)算法中的兩個關(guān)鍵環(huán)節(jié)和步驟，前者是實現(xiàn)對采集的計算機(jī)網(wǎng)絡(luò)安全信息數(shù)據(jù)進(jìn)行重識別，而后者則是對計算機(jī)網(wǎng)絡(luò)安全信息數(shù)據(jù)識別誤差度距離進(jìn)行衡量，因此，表征、度量學(xué)習(xí)能夠針對計算機(jī)網(wǎng)絡(luò)安全信息數(shù)據(jù)進(jìn)行提示預(yù)警和安全診斷，它們作為深度學(xué)習(xí)的關(guān)鍵要素，從本質(zhì)上決定了信息識別結(jié)果精度與網(wǎng)絡(luò)數(shù)據(jù)信息誤差度距離大小，所以通過表征、度量學(xué)習(xí)之后，即可分析指導(dǎo)計算機(jī)網(wǎng)絡(luò)安全管理實踐。但是在具體應(yīng)用過程中，通常需要對所獲取的單一特征進(jìn)行訓(xùn)練，經(jīng)過深度的計算機(jī)網(wǎng)絡(luò)數(shù)據(jù)特征向量分析對比，不僅能夠有效提升計算機(jī)網(wǎng)絡(luò)安全管理水平，而且還可提高復(fù)雜環(huán)境下的計算機(jī)網(wǎng)絡(luò)數(shù)據(jù)信息識別精度，有效避免了網(wǎng)絡(luò)安全管理事故發(fā)生。

相較而言，特征向量在本質(zhì)上與度量學(xué)習(xí)存在較大區(qū)別，例如在基于深度學(xué)習(xí)算法進(jìn)行計算機(jī)網(wǎng)絡(luò)安全風(fēng)險識別和信息安全診斷、提示預(yù)警過程中，將視頻信息輸入計算機(jī)，通過對同ID設(shè)備下的視頻信息主體相似度進(jìn)行篩選分析之后，即可有效區(qū)分?jǐn)U大不同ID間與同ID設(shè)備下兩者距離，然后基于下列特征相似度公式進(jìn)行歐式距離特征相似度分析，其中網(wǎng)絡(luò)安全信息特征相似度可用兩項指標(biāo)df 1與df 2來表示。式（7）中，df 1、df 2表示ID網(wǎng)絡(luò)視頻信息輸入相同的計算網(wǎng)絡(luò)載體后，同ID設(shè)備下及擴(kuò)大不同ID間兩者間的特征相似度值。而af 1表示網(wǎng)絡(luò)前向傳播中用于指導(dǎo)網(wǎng)絡(luò)安全管理過程中所要提取優(yōu)化的計算機(jī)網(wǎng)絡(luò)安全特征向量值[7]。

3.3? 網(wǎng)絡(luò)安全評估測試

計算機(jī)網(wǎng)絡(luò)安全管理風(fēng)險態(tài)勢評估主要是通過卷積運算與神經(jīng)網(wǎng)絡(luò)相結(jié)合的深度學(xué)習(xí)算法，對提取的特征向量數(shù)據(jù)信息進(jìn)行訓(xùn)練，進(jìn)而通過與實際結(jié)果進(jìn)行驗證，并將其應(yīng)用于計算機(jī)網(wǎng)絡(luò)安全數(shù)據(jù)信息管理態(tài)勢評估和分析預(yù)測，如果經(jīng)過數(shù)據(jù)信息驗證校核，當(dāng)實際結(jié)果與預(yù)測結(jié)果存在較小的誤差時，即可通過卷積運算和神經(jīng)網(wǎng)絡(luò)兩種深度學(xué)習(xí)方式，對計算機(jī)網(wǎng)絡(luò)安全管理的總體現(xiàn)狀及實際情況進(jìn)行安全態(tài)勢評估。

本文采用的基于深度學(xué)習(xí)算法進(jìn)行計算機(jī)網(wǎng)絡(luò)安全態(tài)勢評估與測試實驗環(huán)境為：64 GB、16核CPU；Ge ForceRTX 2080 Ti顯卡服務(wù)器；Python 3.8開發(fā)語言；TensorFlow與CUDA使用框架；sklearn庫。首先采用CIC-IDS2017網(wǎng)絡(luò)公開數(shù)據(jù)集進(jìn)行數(shù)據(jù)降噪、編碼、訓(xùn)練與測試集分割，然后用CICFlow Meter工具提取80個特征向量組成CICIDS數(shù)據(jù)集，在數(shù)據(jù)預(yù)處理時還需完成降噪，選取傳統(tǒng)CNN模型對比。如圖5至圖7所示。

通過測試評估后不難發(fā)現(xiàn)，基于深度學(xué)習(xí)算法的網(wǎng)絡(luò)安全測試結(jié)果要優(yōu)于普通算法模型，這是由于ConvLSTM層的加入使深度學(xué)習(xí)算法模型能對少數(shù)類數(shù)據(jù)進(jìn)行有效識別。同時通過計算F1-Score宏平均值表明，基于深度學(xué)習(xí)算法的網(wǎng)絡(luò)安全測試值比普通F1-Score值高約3%，由此證明該算法模型優(yōu)于普通CNN模型，它可對計算機(jī)網(wǎng)絡(luò)安全管理趨勢、現(xiàn)狀進(jìn)行安全態(tài)勢等級劃分，據(jù)此制定行之有效的安全管理策略，最終在高準(zhǔn)則、高質(zhì)量的管理架構(gòu)之下，實現(xiàn)對計算機(jī)網(wǎng)絡(luò)安全風(fēng)險進(jìn)行有效預(yù)防和治理，從根本上保障安全管理技術(shù)能力和水平，切實提高計算機(jī)網(wǎng)絡(luò)信息安全水平[8]。

4? 結(jié)? 論

信息化時代，計算機(jī)網(wǎng)絡(luò)安全是保障網(wǎng)絡(luò)數(shù)據(jù)信息安全存儲的基本前提，同時也是構(gòu)建安全網(wǎng)絡(luò)生態(tài)環(huán)境，促進(jìn)我國網(wǎng)絡(luò)信息生態(tài)健康、綠色、可持續(xù)發(fā)展的關(guān)鍵所在，基于此，有效識別計算機(jī)網(wǎng)絡(luò)安全風(fēng)險等級，對于保證計算機(jī)網(wǎng)絡(luò)安全至關(guān)重要。本研究應(yīng)用研究結(jié)果表明，深度學(xué)習(xí)算法能夠精準(zhǔn)識別計算機(jī)網(wǎng)絡(luò)安全功能，合理評估預(yù)測計算機(jī)網(wǎng)絡(luò)安全態(tài)勢，雖然深度學(xué)習(xí)背景下的神經(jīng)網(wǎng)絡(luò)、卷積運算等算法運量大、復(fù)雜度高，但經(jīng)過深度學(xué)習(xí)可輸出識別精準(zhǔn)、精度優(yōu)質(zhì)的特征信息，其用于網(wǎng)絡(luò)安全態(tài)勢評估結(jié)果出色，能針對網(wǎng)絡(luò)風(fēng)險等級進(jìn)行信息數(shù)據(jù)收集、特征識別、實際分類，進(jìn)而可有效地用于計算機(jī)網(wǎng)絡(luò)安全防范管理。

參考文獻(xiàn)：

[1] 劉文濤.基于矢量化加速的網(wǎng)絡(luò)安全應(yīng)用多模式匹配 [J].西安文理學(xué)院學(xué)報：自然科學(xué)版，2022，25（4）：11-16.

[2] 王正強(qiáng)，青思雨，萬曉榆等.IRS輔助的NOMA無人機(jī)網(wǎng)絡(luò)安全速率最大化算法 [J/OL].電子與信息學(xué)報：1-8（2022-12-27）.http：//kns.cnki.net/kcms/detail/11.4494.TN.20221223.1454.003.html.

[3] 龍飛.基于人工智能的互聯(lián)網(wǎng)絡(luò)數(shù)據(jù)安全優(yōu)化算法研究——評《人工智能在網(wǎng)絡(luò)安全中的應(yīng)用》 [J].中國安全科學(xué)學(xué)報，2022，32（11）：216.

[4] 胡長生.基于遺傳算法的無線傳感器網(wǎng)絡(luò)安全分簇路由算法研究 [J].南京工程學(xué)院學(xué)報：自然科學(xué)版，2022，20（3）：28-32.

[5] 朱大立，金昊，吳荻，等.基于數(shù)據(jù)流深度學(xué)習(xí)算法的Android惡意應(yīng)用檢測方法 [J].信息安全學(xué)報，2019，4（2）：53-68.

[6] 于成麗，安青邦，周麗麗.人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用和發(fā)展新趨勢 [J].保密科學(xué)技術(shù)，2017（11）：10-14.

[7] 趙輝.入侵檢測在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中的發(fā)展 [J].現(xiàn)代計算機(jī)，2022，28（13）：62-66.

[8] 伍泰霖.在聯(lián)邦學(xué)習(xí)中加速深度學(xué)習(xí)算法的技術(shù)應(yīng)用 [D].深圳：中國科學(xué)院深圳先進(jìn)技術(shù)研究院，2022.

作者簡介：李春梅（1979.02—），女，漢族，山東濟(jì)寧人，工程師，碩士研究生，研究方向：計算機(jī)科學(xué)與技術(shù)。