【技术实现步骤摘要】
本专利技术涉及网络攻防领域和深度学习领域，具体涉及一种网络攻击分类的图卷积神经网络解决方法。
技术介绍
1、随着大数据、云计算、人工智能等网络信息技术的不断发展，网络攻击的方式也在逐渐成熟。与此同时，国家、企业和个人的网络安全也面临着严峻的挑战。而互联网上的大多数攻击都是渗透攻击，如apt28攻击，为了达到攻击目的，可能会针对特定系统和软件，组织多种攻击方式，逐步在系统中渗透。传统的防御手段如入侵检测、入侵防御在面对大规模渗透攻击时略显不足，因此整合已有攻击信息显得十分重要。而图卷积神经网络的兴起，为实现网络攻击分类提供了一种新思路。
2、在传统的机器学习中，通常利用特征工程提取特征，需要人工选择和提取与任务相关的特征，但特征工程是一个耗时且困难的过程，不适用于复杂的高维数据或大规模网络，并且无法捕获网络中的潜在模式。
3、在传统的分类方法中，如决策树、支持向量机、逻辑回归等不适用于网络数据中节点之间的关系和连接结构的分析，无法充分利用图数据的信息。
技术实现思路
...
【技术保护点】
1.一种网络攻击分类的图卷积神经网络解决方法，其特征是：该方法由以下步骤实现：
2.根据权利要求1所述的一种网络攻击分类的图卷积神经网络解决方法，其特征在于：步骤六中，在GCN层初始化底层节点个数、隐层节点个数；然后传到卷积层按照GraphConvolution的父类Module的初始化方式进行初始化，并利用Parameter函数定义权重W和偏置bias；在GCN模型中，每个节点均与其邻居节点有连接权重；最后初始化分类个数和dropout参数。
3.根据权利要求1所述的一种网络攻击分类的图卷积神经网络解决方法，其特征在于：步骤六中，通过构造优化...
【技术特征摘要】
1.一种网络攻击分类的图卷积神经网络解决方法，其特征是：该方法由以下步骤实现：
2.根据权利要求1所述的一种网络攻击分类的图卷积神经网络解决方法，其特征在于：步骤六中，在gcn层初始化底层节点个数、隐层节点个数；然后传到卷积层按照graphconvolution的父类module的初始化方式进行初始化，并利用parameter函数定义权重w和偏置bias；在gcn模型中，每个节点均与其邻居节点有连接权重；最后初始化分类个数和dropout...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。