2016?A Deep Learning Approach for Network Intrusion Detection System
1.主要工作：使用Self-taught Learning在NLS- KDD上做了异常检测的工作。
2.Self-taught Learning的简单介绍
Self-taught Learning是一种深度学习网络，对于分类，包含两个阶段。
一阶段：从大量的无标签的数据中学习到好的特征表示，这被看作为无监督特征学习Unsupervised Feature Learning（UFL）。
二阶段：将学习到的特征应用到标签数据中做分类任务。
虽然无标签数据和有标签数据可能来自不同的数据分布，但是它们之间有一定的联系。
Self-taught Learning，我的理解是，将无标签数据送入网络进行训练（把网络的参数确定好），再把有标签的数据放入训练好的网络中（用来提取有标签数据的特征信息），为接下来做分类任务做好准备。
Self-taught Learning的详细理解可以看这里
自我学习（Self-Taught Learnign） - 简书
3.模型的损失函数
损失函数的第一部分是MSE均方误差，第二部分是权重衰减部分，（W，V是权重矩阵，b1，b2是偏执向量）主要是为了减少过拟合，（个人感觉这一部分相当于L2正则化）是衰减参数，第三部分是稀疏惩罚项（K L散度），作用：将约束放入到隐藏层中，为了保持一个低的激活值。
直接一点上公式：
其中，表示0-1之间的稀疏约束参数，
控制?了这个稀疏惩罚项（第三项），这个KL散度可以取得最小值，当
=
时。为了便于理解贴一下原文（最后半句可以不用管哦～，就理解这个公式）：
KL散度，可以参考这里哦～
目前只是粗略读哦～，可能以后会更详细一点，以后补充～
如果大家有网络入侵的学习资源，可以分享一下哦～