Page 125 - 2024年第55卷第8期

图 ４ 不同流量下的泄漏信号特征

（ＣＮＮ － ＢｉＬＳＴＭ）以及卷积门控循环单元（ＣＮＮ － ＧＲＵ）泄
漏检测模型。同时，将新模型的预测结果与传统的循环
神经网络模型进行了比较。
４．１ 模型构建 本文实验获得的信号数据是典型的时
序数据，适合采用以长短期记忆网络（ ＬＳＴＭ）为代表的
循环神经网络 （ ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）进行预
测。ＬＳＴＭ ［２３］ 是一种 在传 统 ＲＮＮ模 型 基 础 上 改 进 的 模
型，ＬＳＴＭ通过门机制和状态单元，缓解了传统 ＲＮＮ在
处理长序列数据时存在的梯度消失和梯度爆炸问题，适
用于处理时序数据。ＬＳＴＭ 结构示意图如图 ６所示，由
遗忘门（ ｆ）、输入门（ｉ）、记忆状态单元（Ｃ）和输出门
ｔ ｔ ｔ 图 ５ 泄漏信号标准化结果
（ ｏ）组成，其中表示矩阵加法运算，⊙代表 Ｈａｄａｍａｒｄ
ｔ
乘积，具体运算如下所示：
珟
Ｃ ＝ ｆ ⊙Ｃ ＋ ｉ ⊙Ｃ （４）
ｔ ｔ ｔ － １ ｔ ｔ
ｆ ＝ σ （Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （５）
ｔ － １
ｆ
ｆ
ｔ
ｔ
ｉ ＝ σ （Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （６）
ｔ ｉ ｔ － １ ｔ ｉ
ｏ＝ σ （Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （７）
ｔ ｏ ｔ － １ ｔ ｏ
珟 Ｃ ＝ ｔａｎｈ（Ｗ ·［ｈ ，ｘ］ ＋ ｂ） （８）
ｔ ｃ ｔ － １ ｔ ｃ
ｈ＝ ｏ ⊙ｔａｎｈＣ （９）
ｔ ｔ ｔ
１
σ （ｘ） ＝Ｓｉｇｍｏｉｄ（ｘ） ＝ （１０）
－ ｘ
１ ＋ ｅ
０
— １ ０ ３ —