典型文献
基于群卷积神经网络的恶意域名检验方法
文献摘要：
针对恶意域名检测中存在的随机性大、现实样本少的缺陷,导致深度学习模型训练易出现过拟合的问题,提出了一种基于群卷积神经网络的恶意域名检测方法.首先将域名转换为嵌入词向量表示,然后通过随机维度组合生成随机数据集并构建卷积神经网络组,鉴于Inception结构优势将其加入到网络中,最后针对数据集易出现的类间样本失衡问题,引入了类间平衡系数以抑制模型训练过拟合,提高模型泛化能力.实验结果表明,在采集的域名检测数据集上,所构建的模型能够有效实现恶意域名检测;经过参数优化,相比于浅层模型组合分类器与典型深度神经网络模型LSTM-CNN,群卷积神经网络对所构建的域名检测集检测准确率分别提升了4％、1％,达到98.9％.
文献关键词：
恶意域名检测;深度学习;群卷积神经网络;交叉熵
中图分类号：
作者姓名：
邱颖豫;许强
作者机构：
许昌学院 信息工程学院,河南 许昌 461000
文献出处：
引用格式：
[1]邱颖豫;许强-.基于群卷积神经网络的恶意域名检验方法)[J].太赫兹科学与电子信息学报,2022(11):1190-1197
A类：
群卷积神经网络
B类：
检验方法,恶意域名检测,随机性,实样,深度学习模型,模型训练,过拟合,词向量,向量表示,维度组合,随机数据,Inception,结构优势,失衡问题,平衡系数,模型泛化,泛化能力,检测数据集,层模型,模型组合,分类器,深度神经网络模型,检测准确率,交叉熵
AB值：
0.233348
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
