专业英语

The Optimization Method of Wireless Network Attacks Detection Based on Semi-Supervised Learning

Aiming to optimize the attacks detection in high-dimensional and complex wireless network traffic data with deep learning technology, this paper proposed a WiFi-ADOM (WiFi network attacks detection optimization method) based on semi-supervised learning. Firstly, based on stacked sparse auto-encoder (SSAE), which is an unsupervised learning model, two types of network traffic feature representation vectors are proposed: new feature value vector and original feature weight value vector. Then, the original feature weight value vector is used to initialize the weight value of the supervised learning model deep neural network to obtain the preliminary result of the attack type, and the unsupervised learning clustering method Bi-kmeans is used to produce the corrective term for unknown attacks discrimination with the new feature value vectors. Finally, the preliminary result of the attack type and the corrective term of the unknown attacks discrimination are combined to obtain the final result of the attack type. Compared with the existing attacks detection methods with the public wireless network traffic data set AWID, the optimal performance of the method of WiFi-ADOM for network attacks detection is verified. At the same time, the importance of features in network attacks detection is explored. The results show that the method of WiFi-ADOM can effectively detect unknown attacks while ensuring detection performance.

基于半监督学习的无线网络攻击检测优化方法

为了能在高纬度，复杂无线网络流量数据的环境下使用深度学习技术优化检测无线网络攻击的方法，本论文基于半监督学习提出了WIFI-ADOM方法（WIFI网络攻击检测优化方法）。首先要提到的是堆叠（栈式）稀疏自编码器（SSAE），这种编码器是一种无监督模型，基于堆叠稀疏自编码器，我们提出了两种网络流量特征表达向量，分别是新特征值向量和原始特征权重值向量。其次，原始特征权值值向量可以用来初始化有监督学习模型——深度神经网络的权值，用于获取攻击类型的初始（预判）结果，而（并通过）无监督学习聚类算法——Bi均值算法可以计算新特征值向量里攻击特征的正确项(进行聚类生成未知攻击类型判别纠正项)。最后，（结合）攻击类型的初始（预判）结果和未知攻击特征的正确性（类型的纠正项）获得攻击类型的最后结果。用无线网络流量公共数据集对比现有的攻击检测算法可以发现，效果最优的算法还是WIFI-ADOM网络攻击检测算法。同时，在网络攻击决策中，特征的重要性也被很好的应用起来。这些结果表明，在可容忍的检测效果范围内（ensuring = 确保），WIFI-ADOM算法可以有效的检测未知的网络攻击。

正确译文：针对如何优化深度学习技术在海量高维复杂的无线网络流量数据中有效发现异常攻击行为的问题，提出一种基于半监督学习的无线网络攻击行为检测优化方法(WiFi network attacks detection optimization method, WiFi-ADOM).首先基于无监督学习模型栈式稀疏自编码器提出2种网络流量特征表示向量：新特征值向量和原始特征权重值向量.然后利用原始特征权重值向量初始化监督学习模型深度神经网络的权重值得到网络攻击类型的预判结果，并通过无监督学习聚类方法Bi-kmeans对网络流量的新特征值向量进行聚类以生成未知攻击类型判别纠正项.最后结合预判结果和未知攻击类型判别纠正项，得到网络攻击类型的最终判定结果.通过和已有研究方法对比，在公开无线网络攻击行为数据集AWID上验证了WiFi-ADOM方法对网络攻击行为检测的优化性能，同时探索了与网络攻击检测相关的重要特征属性的问题.实验结果表明:WiFi-ADOM方法在保证准确率等检测性能的同时能够有效检测未知攻击类型，具备优化网络攻击行为检测的能力.

Question Answering Algorithm on Image Fragmentation Information Based on Deep Neural Network

Many fragmentation information is highly dispersed in different data sources, such as text, image, video and Web. They are characterized by structural disorder and content one-sided. Current researches implement the extraction, expression and understanding of multi-modal fragmentation information by constructing visual question answering (VQA) system. The VQA task is required to provide the correct answer to a given problem with a corresponding image. The aim of this paper is to design a complete framework and algorithm for image fragmentation information question answering under the basic background of visual question answering task. The main research includes image feature extraction, question text feature extraction, multi-modal feature fusion and answer reasoning. Deep neural network is constructed to extract features for representing images and problem information. Attention mechanism and variational inference method are combined to fusion two modal features of image and problem and reason answers. Experiment results show that the model can effectively extract and understand multi-modal fragmentation information, and improve the accuracy of VQA.

基于深度学习的图片碎片信息的问答算法

在许多不同数据源中高度分散着大量的碎片信息，比如，文本，图片，音频和网页。这些碎片信息有着结构混乱，内容单一的特点。到目前为止，现有的研究已经完成了对碎片信息的提取，表达和通过构建可视化问答系统（VQA）（放错位置了）来理解多模型碎片信息。其中VQA任务要求对于每一个提出了问题的对应图片都要给出正确答案。本论文的目标是基于可视化问答任务的背景，为图片碎片信息问答设计一套完整的框架和算法。（前后不应该分开）本文主要的研究包括图片特征提取，问题文本特征提取，（多模态特征混合）多重模型特征混淆和答案推理。为了提取具有代表性图片的特征和问题信息的特征，我们构建了深度神经网络。（结合）注意力机制和差异性干扰（变分推断）方法相结合，用于混合图片和提问的特征和回答推理的特征（理解错了，是结合图片和问题两种特征并推理回答）。实验结果表明，此模型可以高效的提取和理解多重碎片信息，并提供VQA的准确率。

正确译文：大量结构无序、内容片面的碎片化信息以文本、图像、视频、网页等不同模态的形式，高度分散存储在不同数据源中，现有的研究通过构建视觉问答系统(visual question answering, VQA)，实现对多模态碎片化信息的提取、表达和理解.视觉问答任务给定与图像相关的一个问题，推理相应的答案.在视觉问答任务的基本背景下，以设计出完备的图像碎片化信息问答的框架与算法为目标，重点研究包括图像特征提取、问题文本特征提取、多模态特征融合和答案推理的模型与算法.构建深度神经网络模型提取用于表示图像与问题信息的特征，结合注意力机制与变分推断方法关联图像与问题2种模态特征并推理答案.实验结果表明：该模型能够有效提取和理解多模态碎片化信息，并提高视觉问答任务的准确率.