- @dieTicket
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
基于深度学习的网络加密流量分类与入侵检测框架基于深度学习的网络加密流量分类与入侵检测框架I. 介绍II. DFR框架A. 预处理过程B. DFR过程1. 基于一维CNN的DFR分类器2. 基于LSTM的DFR分类器3. 基于SAE的DFR分类器4. 选择与保存III. 评估A. 实验装置1. 评估数据集2. 实验设置3. 评价指标B. 实验结果1. 加密流量分类效率2. 入侵检测效率IV. 结论基
I. 介绍A. 相关工作B. 本文贡献C. 本文结构II. 背景A. 机器学习介绍1. 数据收集2. 特征提取FE3.特征降维FR和特征选择FS4. 算法选择和模型结构5. 分类模型验证B. 流量分类1. IP流定义2. 有效载荷检测3. 基于统计的技术4. 行为技术5. 机器学习技术III. 方法IV.数据收集A. 网络环境B. 数据测量C. 标注任务D. 讨论V. 特征提取A. 基于统计的特征
基于深度学习的SDN家庭网关加密网络流量分类基于深度学习的SDN家庭网关加密网络流量分类I. 介绍II. 相关工作III. 应用感知SDN家庭网关框架综述IV. 数据包预处理A. 预处理包字节向量B. 预处理数据包字节矩阵V. 基于深度学习的加密数据分类器（DATANET）设计A. 基于MLP的数据网B. 基于数据网的SAEC. 基于数据网的CNNVI. 评估和实验结果A. 实验设置B. 创建数据
基于深度学习的网络加密流量分类与入侵检测框架基于深度学习的网络加密流量分类与入侵检测框架I. 介绍II. DFR框架A. 预处理过程B. DFR过程1. 基于一维CNN的DFR分类器2. 基于LSTM的DFR分类器3. 基于SAE的DFR分类器4. 选择与保存III. 评估A. 实验装置1. 评估数据集2. 实验设置3. 评价指标B. 实验结果1. 加密流量分类效率2. 入侵检测效率IV. 结论基
基于深度学习的SDN家庭网关加密网络流量分类基于深度学习的SDN家庭网关加密网络流量分类I. 介绍II. 相关工作III. 应用感知SDN家庭网关框架综述IV. 数据包预处理A. 预处理包字节向量B. 预处理数据包字节矩阵V. 基于深度学习的加密数据分类器（DATANET）设计A. 基于MLP的数据网B. 基于数据网的SAEC. 基于数据网的CNNVI. 评估和实验结果A. 实验设置B. 创建数据
写在前面：本文翻译供个人研究学习之用，不保证严谨与准确github链接：https://github.com/WithHades/network_traffic_classification_paper本文原文：S. Rezaei and X. Liu, “Multitask learning for network traffic classification”, arXiv:1906.0524
基于深度学习的网络加密流量分类与入侵检测框架基于深度学习的网络加密流量分类与入侵检测框架I. 介绍II. DFR框架A. 预处理过程B. DFR过程1. 基于一维CNN的DFR分类器2. 基于LSTM的DFR分类器3. 基于SAE的DFR分类器4. 选择与保存III. 评估A. 实验装置1. 评估数据集2. 实验设置3. 评价指标B. 实验结果1. 加密流量分类效率2. 入侵检测效率IV. 结论基
I. 介绍A. 相关工作B. 本文贡献C. 本文结构II. 背景A. 机器学习介绍1. 数据收集2. 特征提取FE3.特征降维FR和特征选择FS4. 算法选择和模型结构5. 分类模型验证B. 流量分类1. IP流定义2. 有效载荷检测3. 基于统计的技术4. 行为技术5. 机器学习技术III. 方法IV.数据收集A. 网络环境B. 数据测量C. 标注任务D. 讨论V. 特征提取A. 基于统计的特征