- 博客(9)
- 收藏
- 关注
RSS订阅
原创 A Clockwork RNN
A Clockwork RNN作者：Jan Koutník， Klaus Greff, Faustino Gomez, Jürgen Schmidhuber以下部分内容参考https://blog.csdn.net/u010159842/article/details/72898071?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-ut
2020-07-10 20:23:39
998
原创 网络安全态势感知数据集问题
最近在看一些网络安全态势感知的文献，自己找数据集时，发现一个问题，比如第一张图是DARPA1999中的漏洞信息和服务信息但是这些信息在数据集中是怎么体现的呀？？?怎么就知道有这些漏洞呢？？？好困惑啊，本人菜鸟已经研究很长时间了，好头痛，有没有高手能指教一二啊，同样问题如下：第二张图中，是DARPA2000的LLDOS1.0的攻击场景，图三是DARPA2000中网络主机的漏洞信息和服务信息，这些信息是自己搭建的网络坏境利用露洞扫描得出的吗？...
2020-12-22 07:55:57
1283
9
原创 Tensoeflow学习（二）
Tensoeflow学习（二）1.MNIST数据集分类简单版本tf.argmax(m,1):当axis=1时返回m中的最大值的位置索引tf.cast(x,dtype,name=None):将x的数据格式转化成dtype。例如，原来x的数据格式是bool， 那么将其转化成float以后，就能够将其转化成0和1的序列。反之也可以import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data #载入数
2020-09-20 15:02:38
207
翻译 A Gated Dilated Causal Convolution Based Encoder-Decoder for Network Traffic Forecasting
A Gated Dilated Causal Convolution Based Encoder-Decoder for Network Traffic ForecastingDOI：10.1109/ACCESS.2019.2963449使用sci-hub输入DOI摘要：对未来网络流量的准确估计是网络退化预警和网络资源自动编排的关键手段。长短期记忆神经网络LSTM是一种流行的网络流量预测体系结构，在许多应用中得到了成功的应用。然而，已经观察到当序列较长时，LSTM会出现记忆容量有限问题。本文提出了一种
2020-09-20 14:16:19
479
原创 深度学习框架Tensorflow学习与应用
Tensorflow学习（一） 深度学习框架Tensorflow学习与应用 通过视频学习Tensorflow的一些知识点，可能不是很系统，跟着敲了一点代码，又根据自己的理解做了一些笔记。主要是学习Tensorflow的一些用法。
2020-09-13 11:29:39
306
原创 Echo-State Networks for Network Traffific Prediction
Echo-State Networks for Network Traffific Prediction作者：Oluwamayowa Ade Adeleke文章目录Echo-State Networks for Network Traffific Prediction图结构RESERVOIR LEARNING AND ECHO STATE NETWORKS(ESNS)Reservoir Learning algorithmsECHO STATE NETWORKS(ESNS)EXPERIMENTS AND
2020-09-04 20:50:03
362
原创 tshark命令提取重要特征将pcap文件格式转存为CSV格式
此操作适用于windows操作系统从网上下载的数据集太大，解压后的pcap文件使用wireshark打开失败，需要将pcap文件分割，这里需要使用editcap.exe(在wireshark的安装目录下)editcap分割命令例如：editcap.exe -c 100000 D:\123.pacp D:\out_123.pacp100000表示分割后的每个pcap文件有100000条数据（数字可调）tshark命令提取重要特征将pcap文件格式转存为CSV格式:1.使用cmd打开命令提示符2
2020-08-25 11:47:25
5094
原创 HIERARCHICAL MULTISCALE RECURRENT NEURAL NETWORKS
作者：Junyoung Chung, Sungjin Ahn & Yoshua Bengio论文获取：https://arxiv.org/abs/1609.01704这篇提出的分层多尺度递归神经网络（HM-RNN），主要是从具有时间信息的原始数据中学习到层次结构而不用人为设置显式边界信息，也就是说提出的这个模型可以自适应时间尺度。摘要：在本文中，我们提出了一种新的多尺度方法，称为分层多尺度递归神经网络，它可以通过编码时间依赖关系，来捕捉序列中潜在的层次结构。这种时间依赖关系使用一种新的更新机
2020-08-07 21:01:52
524
1
原创 CW-RNN后续学习（一）
A Clockwork RNN后续学习（一）文章目录CW-RNN特点及优化CW-RNN变体卷积CW-RNN双向CW-RNN混合CW-RNN参考文献CW-RNN特点及优化CW-RNN网络结构理解图[1]特点：1.CW-RNN的指数分布模块定时是不灵活的 导致不足以识别和利用历史上发生得很远的信息。2.其他函数可以用来设置模块的周期:线性、斐波那契、对数级数，甚至是固定的随机周期。3.每个模块不一定具有相同的大小，可以根据输入自己调整。优化点：1.学习周期（可以使用不需要梯度封闭形式的进化算
2020-07-22 14:22:51
1110
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人