摘要：
为了提高深度学习模型入侵检测任务的检测效率和分类的准确性,文章提出一种基于辅助熵减的神经常微分方程(E-ODENet)入侵检测模型.该入侵检测模型通过参数常微分方程定义连续的隐藏状态,不需要再分层传播梯度与更新参数,减少了内存的消耗,极大地提高了效率.使用信息瓶颈进行特征降维,提取与分类任务相关的主要信息,同时使用标签平滑和熵减损失来提高模型的泛化能力和准确性.在NSL-KDD数据集上进行训练和测试,测试得到的检测准确率为99.76％,证明该模型优于其他入侵检测模型.
关键词：
通讯作者信息：
电子邮件地址：
