- Abstract
背景：技术背景以及当前需求；
解决方案：基于深度学习对网络流量进行特征提取；
本方案优点：实时优化计算资源、微调检测与分析行为；
实验证明：对于上述优点的佐证。
- 简介（INTRODUCTION AND MOTIVATION）
现状以及当前方案的缺点：数据量、设备数量、网速、低延时等特点导致现有方案失效；
提出方案：
实验验证：
文章结构：
- 相关技术当前在相关领域中的应用
挑战
现有相关方法:
- DEEP LEARNING APPLIED TO THE ANOMALY DETECTION PROBLEM IN 5G NETWORKS
自编码器：
SAE算法：
https://blog.csdn.net/xiatianyunzi/article/details/82456125
https://blog.csdn.net/llh_1178/article/details/80274468
DBN算法：
https://blog.csdn.net/kellyroslyn/article/details/82668733
https://blog.csdn.net/u011501388/article/details/78202093
-
实验结果
-
结论和展望
-
专有名词：
ASD:Anomaly Symptom Detection
NAD:Network Anomaly Detection
VI:Virtualized Infrastructure
VNF:Virtualized Network Functions
DPI:Deep Packet Inspection
EPC： Evolved Packet Core (EPC)
IDS:Intrusion Detection Systems
VNO：Virtual Network Operators
Key Performance Indicators (KPI)
TP：True Positive
TN：True Negative
FP：False Positive (FP).
FN：False Negative (FN).
设备：
EPC：Evolved Packet Core
UE：User Equipments (UE)
RAN：Radio Access Network
算法：
BBNN: Block-Based Neural Network (BBNN)
DBN:Deep Belief Networks
SAE:Stacked AutoEncoders
LSTM：Long Short-Term Memory Recurrent Networks
RBM：Restricted Boltzmann Machine (RBM)
SVM：Support Vector Machine