CHƯƠNG 3 CÁC GIẢI PHÁP ĐỀ XUẤT
3.2. Sử dụng các kỹ thuật học sâu
Về kỹ thuật học sâu, chúng tơi sử dụng WekaDeeplearning4j, một cơng cụ để đào tạo và kiểm tra các mơ hình học sâu được triển khai từ bên trong Weka.
Mục tiêu chính của cơng cụ của chúng tơi là giúp học sâu cĩ thể truy cập được mà khơng yêu cầu người dùng viết mã - thơng qua giao diện đồ họa (GUI) của Weka.
Xây dựng và đánh giá mơ hình Cập nhật cơ sở tri thức Decision Tree Nạve Bayes Logistic Regression SVM kNN Neural Network Tập dữ liệu huấn luyện Tập dữ liệu kiểm tra
Ở cấp độ cơ bản nhất, GUI cho phép người dùng thực hiện các thử nghiệm bằng các bước đơn giản sau: 1) Tải dữ liệu ở định dạng tệp Thuộc tính - Quan hệ (ARFF), 2) Cấu hình kiến trúc mạng thần kinh và 3) Chọn giao thức thử nghiệm và 4) Chạy thử nghiệm.
Các lớp mạng nơ-ron trong cơng cụ WekaDeeplearning4j được sử dụng để xây dựng các kiến trúc trong thí nghiệm gồm:
- DenseLayer: tất cả các đơn vị được kết nối với tất cả các đơn vị của lớp cha của nĩ.
- BatchNormalization: áp dụng chiến lược chuẩn hĩa hàng loạt phổ biến trên các kích hoạt của lớp cha.
- LSTM: sử dụng phương pháp tiếp cận trí nhớ ngắn hạn - dài hạn. - OutputLayer: tạo đầu ra phân loại / hồi quy.
Bởi vì các dự báo mạng nơ-ron trong gĩi là các đối tượng “phân loại” Weka tiêu chuẩn, chúng cĩ thể được sử dụng và triển khai theo cách tương tự như các loại mơ hình dự đốn khác được tạo bởi các thuật tốn học trong Weka.
Hình 3. 2. Mơ hình IDS sử dụng kỹ thuật học sâu dùng trong thử nghiệm