Paper Reading: CNN+SE-Net for Malicious Traffic Recognition
文献信息
| 属性 | 内容 |
|---|---|
| 序号 | 37 |
| 标题 | Malicious Network Traffic Recognition Based on Deep Learning (CNN+SE-Net) |
| 年份 | 2020 |
| 期刊 | Springer |
1. 研究背景
1.1 问题
- 恶意流量检测精度需求
- 传统方法难以捕获复杂模式
- 需要更强大的特征提取
1.2 创新点
SE-Net 注意力机制增强 CNN。
2. 方法论
2.1 SE-CNN 架构
输入流量特征图
│
▼
卷积层
├── 标准卷积
├── 特征图生成
└── 通道扩展
│
▼
SE 模块
├── 全局池化
├── 全连接层
├── ReLU 激活
└── Sigmoid 权重
│
▼
通道重标定
│
▼
分类输出2.2 SE-Net 核心思想
- 通道注意力机制
- 自适应校准通道权重
- 抑制无效通道
3. 主要贡献
- SE 模块有效提升特征表示
- 端到端恶意流量识别
- 通道级特征选择
4. 结论
CNN+SE-Net 显著提升恶意流量检测准确率。
阅读时间: 2026-04-17