基于特征筛选与数据增强的图卷积神经网络在TSN网络配置检测中的应用

摘要

为了提升时间敏感网络(Time Sensitive Networking, TSN)网络配置检测的准确率，特别是在数据不平衡条件下的分类性能，提出一种基于特征筛选和条件表格生成对抗网络(Conditional Tabular Generative Adversarial Network, CTGAN)数据增强的图卷积神经网络(Graph Convolutional Network, GCN)TSN网络配置检测模型.首先通过计算互信息量(Mutual Information, MI)筛选得到强相关特征，在此基础上使用CTGAN针对原始数据集不平衡问题进行数据增强，最后构建GCN网络模型得到网络配置的分类结果.计算机仿真表明，使用MI-CTGAN-GCN模型进行网络配置的可行性预测可以提高对不平衡数据集的分类能力，与现有检测算法相比，模型分类准确率更高，达到了96.28%,验证了该方法的可行性与优越性.

关键词

时间敏感网络(TSN) / 特征筛选 / 互信息量 / 生成对抗网络 / 图卷积神经网络