EagerNet：用于计算高效入侵检测的神经网络的早期预测
机器学习
2020-10-16 v2 网络与互联网体系结构
机器学习
摘要
全连接神经网络（FCNNs）近年来一直是大多数最先进机器学习（ML）应用的核心，也广泛用于入侵检测系统（IDSs）。过去几年的实验结果表明，通常更深层、更多层的神经网络比浅层模型表现更好。然而，尽管使用了 GPU 等专用硬件，随着层数增加，以更少资源获得快速预测已变得困难。我们提出了一种以最小资源检测网络攻击的新架构。该架构能够处理二分类或多分类问题，并以预测速度为代价换取网络精度。我们使用两个不同的网络入侵检测数据集评估我们的方案。结果表明，对于大多数样本，无需评估所有层即可获得与简单 FCNN 相当的准确率，从而实现早期预测并节省能源与计算开销。
引用
@article{arxiv.2007.13444,
title = {EagerNet: Early Predictions of Neural Networks for Computationally Efficient Intrusion Detection},
author = {Fares Meghdouri and Maximilian Bachl and Tanja Zseby},
journal= {arXiv preprint arXiv:2007.13444},
year = {2020}
}