1.模型架构
模型分两步串联对数据进行判断。信息熵初步判断->深度神经网络判断。
模型结构.png
2.信息熵
2.1信息熵计算
为了方便理解信息熵的初步检测过程，假设数据样本只有两类，即：，原文香农公式中
为第
类样本发生的概率记为
。信息熵公式可以展开为：
因为只有两类
画出与
的关系图为：
样本出现概率与信息熵的关系.png
根据计算的信息熵和给定阈值对数据初步进行异常检测。
2.2原始数据处理
原文对原始连续数据进行离散化处理，将数据划分为单元，每个单元有个包，
可以反应每次分析的时间段长短，
越大分析的时间越长，反之越小，原文作者根据经验确定
。（不太理解每个包长啥样）
2.3确定分析指标
原文给出了两种信息熵的分析指标，但并没有说明两种信息熵之间计算关系，推测有几种可能：
1）每种信息熵单独与阈值比较后，只要有一种超出阈值范围及判定异常。
2）两种信息熵做的加权合并再与阈值比较，判定是否异常。
在实验部分，原文采用了第一种计算关系。
原ip地址信息熵和目标ip地址信息熵.png
通过信息熵对数据进行初步判断（原文通过实验对两种指标分别划分固定阈值）
2.4原文中可能有错误的地方
香农公式.png
文中可能错误的地方：
文中说熵值为0时，但我认为当
时，熵值应该最大。
3.特征提取和DNN检测模型
文中提取了19个特征，经过深度学习神经网络对模型进行训练，并检测。采用的比较常规的深度模型，就不分析了。
4.实验结果分析
原文对不同结构的DNN模型、其他机器学习模型、不同的输入特征和是否增加信息熵初步判定模型做了对比分析实验，并以准确度、消耗时间、占用空间等指标进行分析。
