GRU与SVM结合的神经网络模型在网络安全中的应用

本篇论文由焦旭斌撰写，探讨了一种结合了门控循环单元（Gated Recurrent Unit, GRU）和支持向量机（Support Vector Machine, SVM）的神经网络架构在网络安全入侵检测中的应用。GRU是一种相对较新的递归神经网络（Recurrent Neural Network, RNN）变体，与长期短期记忆（Long Short-Term Memory, LSTM）一起被广泛用于自然语言处理、语音识别和文本分类等任务中，因其在序列数据处理上的优越性能而受到关注。 传统上，像大多数神经网络一样，GRU和LSTM模型采用softmax函数作为其预测的最终输出层，并利用交叉熵函数来计算损失。然而，这篇论文提出了一个创新的方法，即在GRU模型的输出层替换softmax为支持向量机。作者认为，这种更改可能有助于提升模型在特定任务中的准确性和鲁棒性，尤其是在网络流量数据的入侵检测场景下，因为SVM以其在非线性分类和异常检测方面的强大能力而闻名。 同时，论文提出将交叉熵损失函数替换为基于边距的损失函数，这种变化旨在更好地捕捉样本间的决策边界，提高模型在复杂数据集中的性能。尽管先前已有类似的研究尝试将机器学习算法融入深度学习模型，但该研究的主要目标是针对二元分类问题，特别是在网络安全领域，针对性地优化GRU-SVM结构，以便更有效地检测网络入侵行为。 通过实验和理论分析，作者期望验证这一新颖设计的有效性，并可能为网络安全研究人员提供一种新的方法来增强现有的入侵检测系统。整个研究过程不仅涉及模型的设计与实现，还包括详细的实验设置、性能评估以及对结果的深入解读，为理解如何结合不同类型的模型进行更有效的序列数据分析提供了有价值的经验。