一種在sdn網(wǎng)絡上實現(xiàn)dann在線訓練的系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，包括數(shù)據(jù)采集模塊、DANN輸入層模塊、DANN通信模塊、DANN隱藏層模塊、DANN輸出層模塊和輸出反饋模塊，待訓練的數(shù)據(jù)流分別經(jīng)過數(shù)據(jù)采集模塊、DANN通信模塊、DANN隱藏層模塊、DANN輸出層模塊、輸出反饋模塊，實現(xiàn)在線訓練。利用SDN網(wǎng)絡過去若干天內(nèi)交換機數(shù)據(jù)流、網(wǎng)絡狀態(tài)，實現(xiàn)在線訓練。所以本發(fā)明的突出優(yōu)點克服DANN的可擴展性不好，再學習能力差，模型較復雜帶來的性能問題，實現(xiàn)DANN自動訓練、自動檢測功能。
【專利說明】
-種在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)
技術(shù)領域
[0001] 本發(fā)明設及網(wǎng)絡技術(shù)領域，更具體地，設及一種在SDN網(wǎng)絡上實現(xiàn)DAr^N在線訓練的 系統(tǒng)。 技術(shù)背景
[0002] 神經(jīng)網(wǎng)絡檢測技術(shù)通過學習已有的輸入-輸出矢量對集合，進而抽象出其內(nèi)在的 聯(lián)系，然后得到新的輸入-輸出的關系。利用神經(jīng)網(wǎng)絡進行網(wǎng)絡入侵檢測的工作過程包括： 首先構(gòu)造適合進行網(wǎng)絡入侵攻擊檢測的神經(jīng)網(wǎng)絡模型，并利用訓練數(shù)據(jù)集來訓練該神經(jīng)網(wǎng) 絡的模型參數(shù);然后運行已訓練過的神經(jīng)網(wǎng)絡，將采集網(wǎng)絡新數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入，經(jīng) 過神經(jīng)網(wǎng)絡的計算得出的結(jié)果來判斷該數(shù)據(jù)是否為攻擊數(shù)據(jù)。
[0003] 當然，現(xiàn)有的基于神經(jīng)網(wǎng)絡的網(wǎng)絡入侵檢測系統(tǒng)通常采用的是單個神經(jīng)網(wǎng)絡的模 型，其存在的缺點包括：
[0004] (1)可擴展性不好：當初始訓練集中存在著正常行為和某幾類攻擊行為的樣本的 時候，利用此訓練集進行訓練后的神經(jīng)網(wǎng)絡是可W檢測到訓練集中存在的異常行為的。但 是，當新攻擊出現(xiàn)的時候，由于訓練過的神經(jīng)網(wǎng)絡沒有對新攻擊進行學習，所W此神經(jīng)網(wǎng)絡 無法檢測出新攻擊。要使該神經(jīng)網(wǎng)絡可W識別出新攻擊，那么就需要該神經(jīng)網(wǎng)絡對新攻擊 的數(shù)據(jù)樣本進行學習。由于系統(tǒng)采用單個神經(jīng)網(wǎng)絡的結(jié)構(gòu)，系統(tǒng)無法添加新的神經(jīng)網(wǎng)絡對 新攻擊數(shù)據(jù)進行學習。
[0005] (2)再學習能力差：網(wǎng)絡中的攻擊行為發(fā)生變化時，已利用初始訓練數(shù)據(jù)集訓練過 的神經(jīng)網(wǎng)絡可能無法檢測出初始訓練數(shù)據(jù)集中存在的但行為發(fā)生變化的攻擊類型。如果神 經(jīng)網(wǎng)絡對包含攻擊行為發(fā)生變化的新訓練數(shù)據(jù)集進行再學習，而新訓練數(shù)據(jù)集與初始訓練 數(shù)據(jù)集差異較大，那么會導致新訓練完的神經(jīng)網(wǎng)絡會遺忘初始訓練集中攻擊行為的知識。
[0006] (3)模型較復雜帶來的性能問題：當需要檢測的攻擊類型較多時，需要采集的數(shù)據(jù) 特征也會相應增多，那么會導致單個神經(jīng)網(wǎng)絡的結(jié)構(gòu)變得復雜，從而帶來該神經(jīng)網(wǎng)絡的訓 練時間長、實時檢測時計算效率低等問題。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種SDN網(wǎng)絡上實現(xiàn)DA順在線訓練 系統(tǒng)，克服現(xiàn)有MN的可擴展性不好，再學習能力差，模型較復雜帶來的性能問題，實現(xiàn)MN 自動訓練、自動檢測功能。
[000引為了實現(xiàn)本發(fā)明目的，采用的技術(shù)方案如下：
[0009] 一種SDN網(wǎng)絡上實現(xiàn)DA順在線訓練系統(tǒng)，包括數(shù)據(jù)采集模塊、DA順輸入層模塊、 DA順通信模塊、DA順隱藏層模塊、DA順輸出層模塊、輸出反饋模塊，數(shù)據(jù)采集模塊的輸出端 與DANN輸入層模塊的輸入端連接，DANN輸入層模塊通過DANN通信模塊與DA順隱藏層模塊連 接，DA順隱藏層模塊通過DA順通信模塊與DA順輸出層模塊連接，DA順輸出層模塊通過DA順 通信模塊與輸出反饋模塊連接，且DA順輸入層模塊、DA順隱藏層模塊、DA順輸出層模塊、輸 出反饋模塊兩兩模塊之間均通過DANN通信模塊連接。
[0010] 待訓練的數(shù)據(jù)流經(jīng)過數(shù)據(jù)采集模塊，再通過DAr^N通信模塊分別經(jīng)過DAr^N輸入層模 塊、DAr^N隱藏層模塊、DAr^N輸出層模塊、輸出反饋模塊，W總樣本實際輸出總誤差數(shù)小于設 定允許的最大誤差為訓練結(jié)束條件，當達到該條件時，則訓練結(jié)束。本系統(tǒng)可W在交換機中 一次部署多個神經(jīng)元，或者根據(jù)需要多次部署神經(jīng)元，根據(jù)網(wǎng)絡狀態(tài)選擇神經(jīng)元構(gòu)造多個 神經(jīng)網(wǎng)絡。系統(tǒng)神經(jīng)網(wǎng)絡不斷用最新的歷史數(shù)據(jù)在線訓練獲得新權(quán)值。系統(tǒng)不斷在線學習， 更新權(quán)值，即可克服可擴展性不好，在學習能力差，模型較復雜的性能問題。
[0011] 一種在SDN網(wǎng)絡上實現(xiàn)DAOT^在線訓練的系統(tǒng)，其特征在于，包括數(shù)據(jù)采集模塊、 DANN輸入層模塊、DANN通信模塊、DANN隱藏層模塊、DANN輸出層模塊、輸出反饋模塊，數(shù)據(jù)采 集模塊的輸出端與DA順輸入層模塊的輸入端連接，DA順輸入層模塊通過DA順通信模塊與 DA順隱藏層模塊連接，DA順隱藏層模塊通過DANN通信模塊與DA順輸出層模塊連接，DA順輸 出層模塊通過DA順通信模塊與輸出反饋模塊連接，且DA順輸入層模塊、DA順隱藏層模塊、 DANN輸出層模塊、輸出反饋模塊兩兩模塊之間均通過DANN通信模塊連接;該系統(tǒng)W總樣本 實際輸出總誤差數(shù)小于設定允許的最大誤差為訓練結(jié)束條件，當達到該條件時，則訓練結(jié) 束。
[0012] 優(yōu)選地，所述數(shù)據(jù)采集模塊采集openf low交換機內(nèi)數(shù)據(jù)包，采集數(shù)據(jù)包是過去若 干天內(nèi)交換機的歷史數(shù)據(jù)，提取數(shù)據(jù)包特征值作為訓練樣本，歸一化存儲;訓練結(jié)束后采集 openf low交換機實時數(shù)據(jù)，用已訓練權(quán)值的DA順做實時攻擊檢測，同時存儲交換機實時數(shù) 據(jù)作為下一次DANN訓練的樣本。
[0013] 優(yōu)選地，所述的DANN輸入層模塊各神經(jīng)元讀取訓練樣本編碼后發(fā)送給DAr^N隱藏層 模塊的各神經(jīng)元;DAr^N輸入層模塊各神經(jīng)元接收輸出反饋模塊反饋信息，根據(jù)反饋信息決 定是否需要繼續(xù)讀取樣本，訓練結(jié)束后DANN輸入層模塊接收數(shù)據(jù)采集模塊實時數(shù)據(jù)編碼后 發(fā)送給隱藏層各神經(jīng)元。
[0014] 優(yōu)選地，所述的DANN通信模塊是將數(shù)據(jù)用UDP發(fā)送給下一層各神經(jīng)元中，發(fā)送完畢 后使用UDP接收來自下一層各神經(jīng)元和輸出反饋模塊反饋回來信息和數(shù)據(jù)。
[0015] 優(yōu)選地，所述的DA順隱藏層模塊將接收的數(shù)據(jù)進行解碼存儲與隨機權(quán)值計算，選 擇激活函數(shù)計算得出結(jié)果，并將結(jié)果編碼發(fā)送給DA順輸出層模塊各神經(jīng)元，發(fā)送完畢后接 收來自DA順輸出層模塊各神經(jīng)元傳輸回來的數(shù)據(jù)包括反傳誤差權(quán)值和輸出反饋 模塊所返回的信息，
[0016] 當樣本沒全部輸入，則保存每條樣本反饋回來的反傳誤差、權(quán)值和輸入數(shù)據(jù)，當輸 入一次全訓練樣本且訓練還沒結(jié)束，則根據(jù)接收的反傳誤差、權(quán)值、輸入數(shù)據(jù)更新權(quán)值;訓 練結(jié)束后，系統(tǒng)保存和使用最新的權(quán)值用來檢測網(wǎng)絡。
[0017] 優(yōu)選地，所述的DANN輸出層模塊對DANN隱藏層模塊各神經(jīng)元發(fā)送來的結(jié)果進行解 碼，與輸出層隨機權(quán)值相乘，選取激活函數(shù)計算可得到輸出y,W、均方誤差eW、反傳誤差 峨、均方誤差E(P>發(fā)送給輸出反饋模塊，反傳誤差(皆b和權(quán)值wjW發(fā)送給DA順隱藏層模 塊，DANN輸出層模塊各神經(jīng)元接收輸出反饋模塊所反饋的信息決定是否更新權(quán)值。
[0018] 優(yōu)選地，所述的輸出反饋模塊接收DANN輸出層模塊各神經(jīng)元發(fā)送的均方誤差 并保存，樣本全部輸入后累加 E<P>得到Et, Et與設定最大均方差e比較，如果不滿足要求，即Et 〉e，則反饋給M順隱藏層模塊和DANN輸出層模塊需要下一次權(quán)值更新，如果滿足要求，即Et <e，則反饋給DA順隱藏層模塊和DANN輸出層模塊停止權(quán)值更新，保存權(quán)值，反饋給DA順輸入 層模塊接收采集openflow交換機實時數(shù)據(jù)，開始網(wǎng)絡實時攻擊檢測。
[0019] 優(yōu)選地，所述系統(tǒng)還有DA順測試模塊，訓練完畢后，神經(jīng)網(wǎng)絡保存訓練權(quán)值，觀察 每條新采集數(shù)據(jù)輸入ANN對應的輸出結(jié)果是否正確，統(tǒng)計不正確的檢測結(jié)果，錯誤和漏報率 超過一定比例需要重新訓練。
[0020] 所W本發(fā)明的突出優(yōu)點克服Ar^N的可擴展性不好，再學習能力差，模型較復雜帶來 的性能問題，實現(xiàn)ANN自動訓練、自動檢測功能。
【附圖說明】
[0021 ]圖1為本發(fā)明的系統(tǒng)總體結(jié)構(gòu)示意圖；
[0022] 圖2為虛擬ANN結(jié)構(gòu)的示意圖；
[0023] 圖3為本發(fā)明的數(shù)據(jù)采集模塊結(jié)構(gòu)示意圖；
[0024] 圖4為本發(fā)明的DANN通信模塊結(jié)構(gòu)示意圖。
【具體實施方式】
[0025] 附圖僅用于示例性說明，不能理解為對本專利的限制；
[0026] W下結(jié)合附圖和實施例對本發(fā)明做進一步的闡述。
[0027] 本發(fā)明的系統(tǒng)總體結(jié)構(gòu)示意圖附圖1所示，附圖2為虛擬MN結(jié)構(gòu)的示意圖，附圖3 為數(shù)據(jù)采集模塊結(jié)構(gòu)示意圖，附圖4為DANN通信模塊模塊結(jié)構(gòu)示意圖。
[002引本發(fā)明的實施WBP神經(jīng)網(wǎng)絡Sigmoid激活函數(shù)3層模型為例如下：
[00巧]1、總體系統(tǒng)構(gòu)成
[0030]附圖1所示，它包括數(shù)據(jù)采集模塊、DA順通信模塊、DANN輸入層模塊、DA順隱藏層模 塊、DANN輸出層模塊、輸出反饋模塊。
[00川附圖2所示為虛擬MN結(jié)構(gòu)的示意圖，為一個MN1_3_2_2的例子。網(wǎng)絡中交換機虛 擬創(chuàng)建神經(jīng)元進程，不同交換機間的神經(jīng)元通過DANN通信模塊，在虛擬連接間傳遞Ar^N的內(nèi) 部信息，W此形成DA順網(wǎng)絡。
[0032] 2、具體模塊的詳細介紹
[00削 1)數(shù)據(jù)采集模塊
[0034] 附圖3所示，采集存儲openfl OW交換機內(nèi)數(shù)據(jù)包，數(shù)據(jù)包是過去10天交換機內(nèi)歷史 數(shù)據(jù)，每條樣本提取特征值是過去10天內(nèi)交換機每IOs內(nèi)各個特征數(shù)據(jù)比例。IOs內(nèi)數(shù)據(jù)包 中可提取的特征值有：ICMP數(shù)據(jù)包占總的數(shù)據(jù)包的比例關系、UDP數(shù)據(jù)包占總的數(shù)據(jù)包的比 例、TCP數(shù)據(jù)包占總的數(shù)據(jù)包的比例關系、UDP數(shù)據(jù)包中不同的目端口數(shù)與UDP數(shù)據(jù)包的比例 關系、TCP數(shù)據(jù)包中帶有的SYN標志的和帶有ACK標志的數(shù)據(jù)包的比例關系、TCP數(shù)據(jù)包中不 同的目端口數(shù)與TCP數(shù)據(jù)包的比例關系等。輸入層各神經(jīng)元讀取樣本某一特征值作為輸入。
[0035] 2) DANN輸入層模塊
[0036] 輸入層神經(jīng)元接收交換機內(nèi)采集的數(shù)據(jù)。例如1號神經(jīng)元接收Switchl中的采集樣 本icmp包占包總數(shù)特征值，2號神經(jīng)元接收Switch3中的采集樣本t邱包占包總數(shù)特征值等 等。輸入神經(jīng)元越分布，對整個SDN網(wǎng)絡系統(tǒng)檢測效果越好，對應的訓練越準確。
[0037] 3)DANN通信模塊
[003引附圖4所示，DA順各層神經(jīng)元之間需要通信，同一層神經(jīng)元之間不通信，通信方式 采用UDP協(xié)議+定時器+編碼方式來解決。DANN1_3_2_2的第一個數(shù)字表示第幾號神經(jīng)網(wǎng)絡， 第二個數(shù)字為共幾層，第=個數(shù)字表示所處的層，第四個數(shù)字表示所處層的第幾號神經(jīng)元。 輸入層將要發(fā)送的數(shù)據(jù)使用UDP發(fā)送給下一層各神經(jīng)元，發(fā)送完畢后用UDP接收下一層各神 經(jīng)元和輸出模塊反饋回來信息和數(shù)據(jù)。隱藏層各神經(jīng)元等待接收輸入層各神經(jīng)元數(shù)據(jù)，計 算后發(fā)送到輸出層各神經(jīng)元。發(fā)送完畢后用UDP接收下一層各神經(jīng)元和輸出模塊反饋回來 信息和數(shù)據(jù)。輸出層各神經(jīng)元和隱藏層各神經(jīng)元相似。輸出反饋模塊接收輸出層各神經(jīng)元 均方誤差，總樣本一輪訓練完后反饋給各神經(jīng)元是否訓練完畢，是否權(quán)值更新。
[0039] 4) DA順隱藏層模塊
[0040] 隱藏層接收輸入層各神經(jīng)元發(fā)送過來數(shù)據(jù)X= (XO，Xl，X2，…，Xn)T，并與初始化隨機 權(quán)值= ( WOj，Wl j，化 j，...，Wnj ) T得到輸出 。其中 X/ :
[0041]
[0042] 其中XO = -I,號1為隱藏層第j號神經(jīng)元閥值，奇1為隱藏層第j號神經(jīng)元輸 出，f為激活函數(shù)SigmocL發(fā)送苗給下一層各神經(jīng)元后，接收和存儲下一層各神經(jīng)元反饋回 來的輸出反饋模塊反饋回來需要權(quán)值更新時計算
[0043]
[0044]
[0045]
[0046] i輸入層第i個神經(jīng)元，j隱藏層第j個神經(jīng)元。
[0047] 5)DANN輸出層模塊
[0048] DANN輸出模塊各神經(jīng)元將接收隱藏層的輸出結(jié)果進行解碼，與輸出層隨機權(quán)值相 乘，激活函數(shù)計算得到輸出3^^店^、5戸^。6|\^^發(fā)送給隱藏層，6^發(fā)送給輸出反饋模 塊。接收反饋模塊反饋信息是否更新權(quán)值W/'f a);[0049] 其中；
[(K)加 ]
[0化1 ]
[0化2]
[0化3]
[0化4]
為輸出層第I個神經(jīng)元閥值，j為隱藏層第j號神經(jīng)元，I為輸出層 第1號神經(jīng)元，a為學習率。
[0055] 6)輸出反饋模塊
[0056] 輸出反饋模塊接收輸出層各神經(jīng)元發(fā)送各樣本均方誤差累加得到Et與設定最 大均方差比較，如果不滿足要求化T〉〇,反饋給隱藏層和輸出層需要下一次權(quán)值遞歸，如果 滿足要求化六0,反饋給隱藏層和輸出層停止權(quán)值遞歸，保存權(quán)值。
[0057] 其中；
[0化引
[0059] P為樣本總數(shù)，m輸出神經(jīng)元個數(shù)。
[0060] 顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對 本發(fā)明的實施方式的限定。對于所屬領域的普通技術(shù)人員來說，在上述說明的基礎上還可 W做出其它不同形式的變化或變動。運里無需也無法對所有的實施方式予W窮舉。凡在本 發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明權(quán)利要求 的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，包括數(shù)據(jù)采集模塊、DANN 輸入層模塊、DANN通信模塊、DANN隱藏層模塊、DANN輸出層模塊和輸出反饋模塊，數(shù)據(jù)采集 模塊的輸出端與DANN輸入層模塊的輸入端連接，DANN輸入層模塊通過DANN通信模塊與DANN 隱藏層模塊連接，DANN隱藏層模塊通過DANN通信模塊與DANN輸出層模塊連接，DANN輸出層 模塊通過DANN通信模塊與輸出反饋模塊連接，且DANN輸入層模塊、DANN隱藏層模塊、DANN輸 出層模塊、輸出反饋模塊兩兩模塊之間均通過DANN通信模塊連接;該系統(tǒng)以總樣本實際輸 出總誤差數(shù)小于設定允許的最大誤差為訓練結(jié)束條件，當達到該條件時，則訓練結(jié)束。2. 根據(jù)權(quán)利要求1所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述數(shù) 據(jù)采集模塊采集openflow交換機內(nèi)數(shù)據(jù)包，采集數(shù)據(jù)包是過去若干天內(nèi)交換機的歷史數(shù) 據(jù)，提取數(shù)據(jù)包特征值作為訓練樣本，歸一化存儲;訓練結(jié)束后采集openflow交換機實時數(shù) 據(jù)，用已訓練權(quán)值的DANN做實時攻擊檢測，同時存儲交換機實時數(shù)據(jù)作為下一次DANN訓練 的樣本。3. 根據(jù)權(quán)利要求1或2所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述 的DANN輸入層模塊各神經(jīng)元讀取訓練樣本編碼后發(fā)送給DANN隱藏層模塊的各神經(jīng)元;DANN 輸入層模塊各神經(jīng)元接收輸出反饋模塊反饋信息，根據(jù)反饋信息決定是否需要繼續(xù)讀取樣 本，訓練結(jié)束后DANN輸入層模塊接收數(shù)據(jù)采集模塊實時數(shù)據(jù)編碼后發(fā)送給隱藏層各神經(jīng) J L· 〇4. 根據(jù)權(quán)利要求3所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述的 DANN通信模塊是將數(shù)據(jù)用UDP發(fā)送給下一層各神經(jīng)元中，發(fā)送完畢后使用UDP接收來自下一 層各神經(jīng)元和輸出反饋模塊反饋回來信息和數(shù)據(jù)。5. 根據(jù)權(quán)利要求4所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述的 DANN隱藏層模塊將接收的數(shù)據(jù)進行解碼存儲與隨機權(quán)值計算，選擇激活函數(shù)計算得出結(jié) 果，并將結(jié)果編碼發(fā)送給DANN輸出層模塊各神經(jīng)元，發(fā)送完畢后接收來自DANN輸出層模塊 各神經(jīng)元傳輸回來的數(shù)據(jù)包括反傳誤差5jP)、權(quán)值和輸出反饋模塊所返回的信息， 當樣本沒全部輸入，則保存每條樣本反饋回來的反傳誤差、權(quán)值和輸入數(shù)據(jù)，當輸入一 次全訓練樣本且訓練還沒結(jié)束，則根據(jù)接收的反傳誤差、權(quán)值、輸入數(shù)據(jù)更新權(quán)值;訓練結(jié) 束后，系統(tǒng)保存和使用最新的權(quán)值用來檢測網(wǎng)絡。6. 根據(jù)權(quán)利要求5所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述的 DANN輸出層模塊對DANN隱藏層模塊各神經(jīng)元發(fā)送來的結(jié)果進行解碼，與輸出層隨機權(quán)值相 乘，選取激活函數(shù)計算可得到輸出y/p)、均方誤差E(p)、反傳誤差均方誤差E(p)發(fā)送給輸 出反饋模塊，反傳誤差#5和權(quán)值<p)發(fā)送給DANN隱藏層模塊，DANN輸出層模塊各神經(jīng)元接 收輸出反饋模塊所反饋的信息決定是否更新權(quán)值。7. 根據(jù)權(quán)利要求6所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述的 輸出反饋模塊接收DANN輸出層模塊各神經(jīng)元發(fā)送的均方誤差E (p)并保存，樣本全部輸入后 累加 E(p)得到Ετ，Ετ與設定最大均方差ε比較，如果不滿足要求，即Ετ>ε，則反饋給DANN隱藏層 模塊和DANN輸出層模塊需要下一次權(quán)值更新，如果滿足要求，即Ετ〈ε，則反饋給DANN隱藏層 模塊和DA麗輸出層模塊停止權(quán)值更新，保存權(quán)值，反饋給DANN輸入層模塊接收采集 openflow交換機實時數(shù)據(jù)，開始網(wǎng)絡實時攻擊檢測。8.根據(jù)權(quán)利要求7所述的在SDN網(wǎng)絡上實現(xiàn)DANN在線訓練的系統(tǒng)，其特征在于，所述系 統(tǒng)還有DANN測試模塊，訓練完畢后，神經(jīng)網(wǎng)絡保存訓練權(quán)值，觀察每條新采集數(shù)據(jù)輸入ANN 對應的輸出結(jié)果是否正確，統(tǒng)計不正確的檢測結(jié)果，錯誤和漏報率超過一定比例需要重新 訓練。
【文檔編號】G06N3/08GK105956661SQ201610237760
【公開日】2016年9月21日
【申請日】2016年4月15日
【發(fā)明人】余順爭, 翟云箭
【申請人】中山大學