科研FW
文章平均质量分 91
论文阅读及复现,不要做科研废料啊!
Masked5
These violent delights have violent ends
And in their triumph die, like fire and powder,
Which, as they kiss, consume.
展开
-
输入数据时全连接层计算量是多少
eg. 输入有5044个神经元结点,输出有500个结点,则一共需要5044*500=400000个权值参数W和500个偏置参数b。计算大概是这样的一个示意图。那么计算公式是这样的。易得全连接层参数计算。原创 2023-06-27 16:04:40 · 328 阅读 · 0 评论 -
图解CNN中的卷积(卷积运算、池化、Padding、多通道的卷积)
卷积层是深度学习神经网络中经常使用的一种层。它通过卷积运算来提取输入的特征,常用于图像、语音等信号处理任务中。卷积层有以下几个参数:1. 卷积核:卷积层中包含若干个卷积核,每个卷积核都是一个二维权重矩阵。卷积核的大小通常是奇数,比如3x3、5x5等,以便于有一个中心点,可以更好地提取特征。2. 步长(stride):指卷积核在输入数据上移动的步长。比如,构建一个3x3的卷积核,步长为2,表示每次卷积操作都会跨越2个像素。3. 边界填充(padding):指在输入数据的四周填充一圈像素,以保持卷积原创 2023-06-27 15:06:22 · 4235 阅读 · 1 评论 -
Privacy-Preserving Generative Deep Neural Networks Support Clinical Data Sharing
**背景**:数据共享加速了科学的进步,但是在分享个人层面的数据的同时,保护病人的隐私也是一个障碍。**方法和结果**:使用成对的深度神经网络,我们生成了模拟的合成参与者,与SPRINT试验(收缩压试验)的参与者非常相似。我们表明,这种配对网络可以用差分隐私进行训练,这是一个正式的隐私框架,它限制了对合成参与者数据的查询可以识别试验中的真实参与者的可能性。 建立在合成人群上的机器学习预测器可以推广到原始数据集。这一发现表明,合成数据可以与他人共享,使他们能够像拥有原始试验数据一样进行假设生成的分析。翻译 2022-07-20 11:23:28 · 319 阅读 · 0 评论 -
[CVPR2019] On Stabilizing Generative Adversarial Training with Noise
我们提出了一种新的方法和分析,以稳定的方式训练生成式对抗网络(GAN)。正如最近的分析所显示的那样,训练常常被数据空间的邻域上的概率分布为零所破坏。我们注意到,即使经历了同样的过滤,真实数据和生成的数据的分布也应该匹配。因此,为了解决有限支持的问题,我们建议通过使用真实数据和生成数据分布的不同过滤版本来训练GANs。通过这种方式,过滤并不妨碍数据分布的精确匹配,同时通过扩展两个分布的支持度来帮助训练。作为过滤,我们考虑将任意分布的样本添加到数据中,这相当于数据分布与任意分布的卷积。pdp_dpd。...翻译 2022-07-15 16:57:07 · 428 阅读 · 0 评论 -
Instance Noise A trick for stabilising GAN training
实例噪音是一种理论上的方法,可以弥补GANs的不良收敛特性。我们还没有在生成式建模的背景下对它进行广泛的测试,但是我们认为它在这方面也应该有所帮助。如果你对类似技术有任何经验,请告诉我们。...翻译 2022-07-14 20:15:46 · 284 阅读 · 0 评论 -
【翻译】知识图谱增强的IoT流量生成
网络流量数据有利于了解物联网(IoT)的行为,提高现实世界中的物联网服务质量。然而,大规模的物联网流量数据很少被获取,而且隐私问题也阻碍了现实的数据共享,即使是匿名的个人身份信息。研究人员提议生成合成物联网流量,但未能涵盖广泛的现实世界物联网设备所提供的多种服务。在这项工作中,我们迈出了第一步,通过知识增强生成式对抗网络(GAN)框架生成大规模的物联网流量,该框架通过知识图为各种物联网设备引入了语义知识(如位置和环境信息)和网络结构知识。我们使用一个条件机制来纳入物联网流量生成的知识和设备类别。然后,我们采翻译 2022-06-08 19:29:41 · 981 阅读 · 2 评论 -
GAN的数学公式证明——为什么最后生成数据分布接近真实数据分布
GAN (Generative Adversarial Networks) 是一种无监督的深度学习模型,提出于2014年,被誉为“近年来复杂分布上无监督学习最具前景的方法之一”生成器G(Generator)判别器D(Discriminator)就是希望生成器G,能够学习到样本的真实分布Pdata(x)P_{data}(x)Pdata(x),那么G就能生成之前不存在的但是却又很真实的样本。这个 zzz 可以理解为是一个随机的噪声zzz属于FFF,这个FFF 可以是任意的一个分布,比如正态分布、均匀分布随便取转载 2022-06-06 16:35:36 · 852 阅读 · 0 评论 -
GAN模型存在的问题分析(梯度消失、模式崩溃)
原始的GAN并不成熟,存在着诸多问题,其中梯度消失和模式崩溃(collapse mode)问题严重限制GAN的发展。只有了解问题发生的本质,才能做出相应的改进,本章主要对GAN在训练中存在梯度消失和模式崩溃的原因进行分析。梯度消失即是利用误差反向传播(back propagation,BP)算法对深度神经网络进行训练时,梯度后向传播到浅层网络时基本不能引起数值的扰动,最终导致神经网络收敛很慢甚至不能收敛。GAN存在梯度消失的问题,并且在判别器训练得越好的时候,生成器梯度消失得越严重。最优判别器如下式:DG转载 2022-06-04 16:56:53 · 8111 阅读 · 0 评论 -
GAN的目标函数(F散度;KL散度;JS散度;Pearson \chi^2 散度;IPM;Wasserstein距离;MMD)
GAN的主要目标就是去最小化真实数据分布PdataP_{data}Pdata与生成数据分布PgP_gPg之间的距离,怎么样度量分布之间的距离对于GAN极其关键.标准的对抗网络通过JSD来度量两分布之间的差异,然而这种度量方式存在很多缺陷.针对这些问题,研究人员最近几年提出了不同的距离度量方式和散度度量方式来代替JSD,以提高GAN的性能.这节我们将讨论如何基于这些距离或者散度的度量方式来对分布PdataP_{data}Pdata与PG(x;θ)P_G(x;θ)PG(x;θ)之间的差异进行准确地度量.翻译 2022-06-04 16:09:42 · 2288 阅读 · 0 评论 -
生成图像质量和多样性的评估方法
在目前的研究中,对生成图像的质量进行合理地评估主要是从定性评估和定量评估两个方面进行.定性的评估一般在众包平台靠人完成;而定量的评估方法有Inception score、Fréchet Inception Distance、Mode Score等方法.定性的评估方式将在这一节首先被讨论.该方法主要还是靠人的眼睛来进行判断.一般的做法是将真实图像和生成图像对上传到众包平台上让人来判断图像的真假,并且给出两者的相似程度,最后根据打分的结果统计一个最终的指标.在实践中由于人的主观性是很强的,每个人的标准是不一致的翻译 2022-06-04 14:44:24 · 4932 阅读 · 0 评论 -
Strengthening IDS against Evasion Attacks with GAN-based Adversarial Samples in SDN-enabled network
疑似是 HongQuangDevVN/IDSGAN-on-SDN特征可分为功能特征和非功能特征。改变非功能特征产生对抗性的流量,一旦检测成功率下降就利用产生的恶意flow继续训练模型。设计系统搭建的论文写作可以参考基于机器学习的IDS(ML-IDS)已经被探索并仍在开发中。然而,这些系统给出的错误警报率很高,而且很容易被复杂的攻击所欺骗,如含有扰动的变种攻击。因此,有必要通过模拟真实世界网络攻击的变异来不断评估和改进这些系统。基于生成判别网络(GANs),我们介绍了DIGFuPAS,通过更改f原创 2022-06-03 22:05:26 · 482 阅读 · 0 评论 -
【数据集论文】CICIDS2017(含百度网盘资源)
IDS 2017 | Datasets | Research | Canadian Institute for Cybersecurity | UNBIndex of /CICDataset/CIC-IDS-2017/Dataset百度网盘链接:https://pan.baidu.com/s/13mp8W6spfA6jBFTrhUvtNA?pwd=9857提取码:9857入侵检测系统(IDS)和入侵预防系统(IPS)是应对复杂和不断增长的网络攻击的最重要防御工具。由于缺乏可靠的测试和验证数据集,基于异常的翻译 2022-06-03 17:23:30 · 4115 阅读 · 3 评论 -
【阅读笔记】PSA-GAN PROGRESSIVE SELF ATTENTION GANS FOR SYNTHETIC TIME SERIES
CCF none , ICLR2022Paul J , Michael B S , Pedro M , et al. PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series[J]. 2021.PSA-GAN:合成时间序列的渐进式自注意机制GAN文章目录代码概述1 Introduction2 RELATED WORK3 MODEL问题定式化Spectral Normalised Residual Self-Att.翻译 2022-05-31 17:14:12 · 1102 阅读 · 0 评论 -
【阅读笔记】PBCNN:Packet Bytes-based Convolutional Neural Network for Network Intrusion Detection
CCF BYu L , Dong J , Chen L , et al. PBCNN: Packet Bytes-based Convolutional Neural Network for Network Intrusion Detection[J]. Computer Networks, 2021, 194:108-117.PBCNN:基于分组字节的卷积神经网络,用于网络入侵检测文章目录代码概述现有问题本文贡献数据预处理解析网络流量组织网络流量数据转换网络结构评价指标有意思的讨论数据集格式.原创 2022-05-28 16:58:12 · 1158 阅读 · 4 评论 -
【阅读笔记】Producing More with Less A GAN-based Network Attack Detection Approach for Imbalanced Data
CCF CHao X , Jiang Z , Xiao Q , et al. Producing More with Less: A GAN-based Network Attack Detection Approach for Imbalanced Data[C]// 2021 IEEE 24th International Conference on Computer Supported Cooperative Work in Design (CSCWD). IEEE, 2021.以少产多:基.原创 2022-05-28 15:32:52 · 334 阅读 · 0 评论 -
【阅读笔记】FLOWGAN:Unbalanced network encrypted traffic identification method based on GAN
CCF CWang Z X , Wang P , X Zhou, et al. FLOWGAN:Unbalanced Network Encrypted Traffic Identification Method Based on GAN[C]// 2019 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Co.原创 2022-05-27 20:45:31 · 605 阅读 · 0 评论 -
阅读笔记-PacketCGAN Exploratory Study of Class Imbalance for Encrypted Traffic Classification Using CGAN
CCF CWang P , Li S , Ye F , et al. PacketCGAN: Exploratory Study of Class Imbalance for Encrypted Traffic Classification Using CGAN[J]. 2019.基于CGAN的加密流量分类中类不平衡的探索性研究文章目录代码 - 无概述Conditional GAN方法基于PacketCGAN的加密流量分类的工作流程数据包预处理使用PacketCGAN进行类平衡流量分类器训练.原创 2022-05-26 16:58:20 · 599 阅读 · 0 评论 -
【论文阅读】VideoTrain A Generative Adversarial Framework for Synthetic Video Traffific Generation
CCF CKattadige C . VideoTrain: A Generative Adversarial Framework for Synthetic Video Traffic Generation[C]// 2021 IEEE 22nd International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM). IEEE, 2021.视频训练:用于合成视频流量的生成式对抗框架文章目录代.原创 2022-05-24 16:47:28 · 147 阅读 · 0 评论 -
【论文阅读】(DoppelGANger那篇)Using GANs for Sharing Networked Time Series Data...
CCF BLin Z , Jain A , Wang C , et al. Using GANs for Sharing Networked Time Series Data: Challenges, Initial Promise, and Open Questions[C]// IMC '20: ACM Internet Measurement Conference. ACM, 2020.使用GANs共享网络时间序列数据:挑战、初始承诺和开放式问题文章目录代码概述本文贡献使用GAN进行时间.原创 2022-05-23 16:24:04 · 1112 阅读 · 0 评论 -
【论文阅读】Flow-based network traffic generation using Generative Adversarial Networks
CCF B使用生成式对抗网络生成基于流的网络流量Ring M , Schlr D , Landes D , et al. Flow-based Network Traffic Generation using Generative Adversarial Networks[J]. 2018.未公布代码😢文章目录概述三种预处理方法评估方法实验结果相关工作概述本文我们对基于流的数据提出了三种不同的预处理方法,以便将它们转换为连续的值。我们使用改进的Wasserstein GANs(WGA.原创 2022-05-15 16:48:43 · 627 阅读 · 0 评论 -
【论文阅读】PcapGAN Packet Capture File Generator By Style-Based Generative Adversarial Networks
CCF nonePcapGAN: 基于风格的生成式对抗网络的数据包捕获文件生成器Dowoo B , Jung Y , Choi C . PcapGAN: Packet Capture File Generator by Style-Based Generative Adversarial Networks[C]// 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA). IEEE, .原创 2022-05-15 15:53:23 · 687 阅读 · 1 评论 -
【论文阅读】STAN:Synthetic Network Traffic Generation with Generative Neural Models
STAN:用生成神经模型生成合成网络流量Xu S , Marwah M , Ramakrishnan N . STAN: Synthetic Network Traffic Generation using Autoregressive Neural Models[J]. 2020.文章目录概述方法训练阶段生成数据阶段损失函数IP地址和端口号建模数据集Baselines评价指标总结优点缺点代码地址值得注意的参考文献概述深度学习缺数据集,出于隐私考虑,数据集不愿意共享。现有的生成数据集的方.原创 2022-05-07 17:10:37 · 598 阅读 · 0 评论 -
【论文阅读】Knowledge Enhanced GAN for IoT Traffic Generation
文章目录概述方法知识图谱的构建生成器判别器损失函数训练方式实验数据集five Baselines比较结果逼真度知识图谱和条件机制的重要性生成数据训练分类模型的效果Network Traffic Generationhttps://dl.acm.org/doi/abs/10.1145/3485447.3511976概述缺流量数据来提高物联网服务质量大规模数据很难获取,况且还有隐私问题现实中存在的IoT设备服务繁多,目前研究者合成的流量比较单一本文通过GAN生成大规模物联网流量,通过知识图谱引入原创 2022-05-04 21:27:41 · 2228 阅读 · 6 评论 -
论文复现_基于mininet平台模拟SDN架构对DDoS的研究
文章目录原文摘要1 引言2 Ping Flood DDoS攻击2.1 基本介绍2.2 工作机制3 SDN架构3.1 基本介绍3.2 基本架构4 仿真模拟实验4.1 实验环境4.2 模拟测试4.3 实验结果0 复现部分0.1 U1新建拓扑0.2 U1启动sFlow-RT0.3 U1配置sflow agent0.4 U2运行远程Ryu控制器0.5 U1 h3 主机开启一个http 服务0.6 h1 ping flood h30.7 U2使用Postman下发流表抵抗Dos攻击0.8 流量趋势图怎么做? flow转载 2021-12-26 22:58:37 · 3508 阅读 · 4 评论