惡意代碼檢測(cè)模型與實(shí)驗(yàn)探究案例目錄TOC\o"1-3"\h\u14473惡意代碼檢測(cè)模型與實(shí)驗(yàn)探究案例 125400第1章惡意代碼檢測(cè)模型 1285061.1問(wèn)題分析與方法討論 1201821.1.1問(wèn)題分析 1274991.1.2方法概述 2206051.2數(shù)據(jù)預(yù)處理 3279071.2.1數(shù)據(jù)集均衡化 3326861.2.2數(shù)據(jù)集格式調(diào)整 3278181.3惡意代碼檢測(cè) 3239811.1.1整體模型設(shè)計(jì) 3117531.1.2網(wǎng)絡(luò)模塊設(shè)計(jì) 4127591.1.3模型訓(xùn)練 527866第2章實(shí)驗(yàn)與分析 7146852.1實(shí)驗(yàn)設(shè)置 795672.1.1實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集 7200102.1.2評(píng)價(jià)指標(biāo) 8104972.2總體性能驗(yàn)證與分析 814812.3模型結(jié)構(gòu)性能驗(yàn)證與分析 9第1章惡意代碼檢測(cè)模型1.1問(wèn)題分析與方法討論1.1.1問(wèn)題分析當(dāng)前使用較多的惡意代碼檢測(cè)模型往往都傾向于不斷提升檢測(cè)準(zhǔn)確率，所以模型設(shè)計(jì)的越來(lái)越復(fù)雜，為了提取更多的特征，參數(shù)量也越來(lái)越大；這就導(dǎo)致了當(dāng)前較多模型的檢測(cè)效率不夠高，且對(duì)硬件的要求較高；為了讓基于深度學(xué)習(xí)的惡意代碼檢測(cè)方式不局限于中高端機(jī)型，開發(fā)一款檢測(cè)準(zhǔn)確率較高的輕量化網(wǎng)絡(luò)是很有必要的。所以本文提出了一款基于AlexNet模型結(jié)構(gòu)和結(jié)合深度可分離卷積的惡意代碼檢測(cè)模型。惡意代碼檢測(cè)模型選取Alexnet結(jié)構(gòu)的原因是：Alexnet是第一個(gè)具有重大突破的卷積神經(jīng)網(wǎng)絡(luò)，且該網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，只有八層，符合輕量化網(wǎng)絡(luò)的要求；本文將在AlexNet的基礎(chǔ)上，修改網(wǎng)絡(luò)結(jié)構(gòu)，將原網(wǎng)絡(luò)中三層池化層替換為卷積層，以此來(lái)加深網(wǎng)絡(luò)的深度，提升檢測(cè)準(zhǔn)確率；再將網(wǎng)絡(luò)中所有的卷積層更換為深度可分離卷積，借此降低網(wǎng)絡(luò)的參數(shù)數(shù)量，優(yōu)化網(wǎng)絡(luò)以滿足目標(biāo)需求。1.1.2方法概述基于Alexnet的惡意代碼檢測(cè)模型網(wǎng)絡(luò)組成框圖如圖3-1所示，由于本實(shí)驗(yàn)選取的惡意代碼數(shù)據(jù)集已經(jīng)是png格式，故不需要惡意代碼圖像化模塊；本實(shí)驗(yàn)總體包括兩個(gè)模塊，下面分別對(duì)該兩個(gè)模塊進(jìn)行闡述：數(shù)據(jù)預(yù)處理模塊：惡意代碼數(shù)據(jù)集分布十分不均，不同種類的惡意代碼樣本數(shù)量差距過(guò)大，所以需要對(duì)不同種類的樣本進(jìn)行均衡化處理，數(shù)據(jù)預(yù)處理模塊使用了過(guò)采樣和欠采樣來(lái)對(duì)數(shù)據(jù)集進(jìn)行均衡化處理。惡意代碼數(shù)據(jù)集為分文件夾的形式，為了將其調(diào)整為適合網(wǎng)絡(luò)輸入的格式，需要將所有種類的惡意代碼圖片整合為一個(gè)文件夾且設(shè)置對(duì)應(yīng)標(biāo)簽。惡意代碼檢測(cè)模塊：本文的主要目的是使用優(yōu)化后的Alexnet模型對(duì)惡意代碼進(jìn)行檢測(cè)，所以先需要構(gòu)建Alexnet網(wǎng)絡(luò)模型，再在該模型的基礎(chǔ)上修改網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，使用BN層來(lái)替代Alexnet網(wǎng)絡(luò)中的LRN層，加快收斂速度和防止過(guò)擬合；使用深度可分離卷積來(lái)替代卷積層和池化層，以此在加深網(wǎng)絡(luò)深度的同時(shí)，減少由于網(wǎng)絡(luò)深度增加而帶來(lái)的參數(shù)增長(zhǎng)。網(wǎng)絡(luò)模型在輸出部分選用了Categorical_Crossentropy[[]檀結(jié)慶,朱星辰,蔡蒙琪.基于GMSD的新混合損失函數(shù)[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,44(04):472-477+502.][]檀結(jié)慶,朱星辰,蔡蒙琪.基于GMSD的新混合損失函數(shù)[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,44(04):472-477+502.圖SEQ圖\*ARABIC3-1研究流程圖1.2數(shù)據(jù)預(yù)處理1.2.1數(shù)據(jù)集均衡化本實(shí)驗(yàn)使用的數(shù)據(jù)集是malimg數(shù)據(jù)集，由于數(shù)據(jù)集中幾類樣本的權(quán)重太大，合計(jì)占了數(shù)據(jù)集的百分之五十，所以需要對(duì)該數(shù)據(jù)集進(jìn)行均衡化處理；本文選擇的數(shù)據(jù)集均衡化方法是欠擬合，根據(jù)欠擬合的方式，隨機(jī)將樣本數(shù)過(guò)大的幾種惡意代碼削減數(shù)量。1.2.2數(shù)據(jù)集格式調(diào)整由于數(shù)據(jù)集中的圖像都是以文件夾的形式分隔開來(lái)，所以需要先為每張圖片制作標(biāo)簽，將數(shù)據(jù)集預(yù)處理為圖集和標(biāo)簽集兩部分；可以先調(diào)用os庫(kù)中的listdir函數(shù)來(lái)獲取所有數(shù)據(jù)的目錄，然后通過(guò)路徑合成來(lái)獲取文件位置并按種類編號(hào)，并調(diào)用os.system()函數(shù)，執(zhí)行copy操作，將已經(jīng)編號(hào)完成的數(shù)據(jù)集中到相同的文件夾中。最后根據(jù)目錄和文件編號(hào)生成編號(hào)-種類表并存入csv文件，這樣就能處理為便于導(dǎo)入的形式。由于不同種類的惡意代碼圖像化后尺寸并不一致，需要統(tǒng)一調(diào)整為256*256的格式，本文中使用resize來(lái)對(duì)圖片進(jìn)行縮放。1.3惡意代碼檢測(cè)1.1.1整體模型設(shè)計(jì)Alexnet中有五個(gè)卷積層、三個(gè)池化層、兩個(gè)LRN層和三個(gè)全連接層，由于該網(wǎng)只有五個(gè)卷積層，因此該網(wǎng)絡(luò)的結(jié)構(gòu)較為簡(jiǎn)單，LRN層位于前兩個(gè)卷積層后，在前兩個(gè)和最后一個(gè)卷積層后,接上了池化層；由于池化層的主要功能是降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜度，且在AlexNet中選擇的是最大池化（MaxPooling），在當(dāng)時(shí)的環(huán)境下，硬件條件不夠，所以需要采樣池化層來(lái)降采樣，在本文中，會(huì)選擇使用卷積層來(lái)替代AlexNet中網(wǎng)絡(luò)的池化層，以此來(lái)保留更多的數(shù)據(jù)信息在前兩個(gè)卷積層后Alexnet使用了兩個(gè)局部響應(yīng)歸一化層(LRN:LocalResponseNormalization)，但隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，越來(lái)越多人選擇使用批量歸一化層(BN:BatchNormalization)，所以在此模型中，我會(huì)選用BN層來(lái)替代LRN層。由于上文介紹的深度可分離卷積的優(yōu)越性，本文會(huì)將卷積層都替換為深度可分離卷積，以此找到一個(gè)較優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。Alexnet網(wǎng)絡(luò)中使用relu作為激活函數(shù)，這是因?yàn)閟igmoid[[]WaliLuqmanetal.Acutepylephlebitissecondarytoperforatedsigmoiddiverticulitis:Acasereport.[J].Radiologycasereports,2021,16(6):1504-1507.]和tanh[[]左延年，申遠(yuǎn)，神經(jīng)網(wǎng)絡(luò)中激活函數(shù)tanh的正則化[J].周口師范學(xué)院學(xué)報(bào),2020,37(05):23-27.]兩類激活函數(shù)都有飽和區(qū)，relu解決了激活函數(shù)的導(dǎo)數(shù)問(wèn)題,有助于緩解梯度消失的問(wèn)題,網(wǎng)絡(luò)的檢測(cè)效率也會(huì)提高。在網(wǎng)絡(luò)末尾的全連接層中加入dropout，Alex[]WaliLuqmanetal.Acutepylephlebitissecondarytoperforatedsigmoiddiverticulitis:Acasereport.[J].Radiologycasereports,2021,16(6):1504-1507.[]左延年，申遠(yuǎn)，神經(jīng)網(wǎng)絡(luò)中激活函數(shù)tanh的正則化[J].周口師范學(xué)院學(xué)報(bào),2020,37(05):23-27.圖SEQ圖\*ARABIC4-2網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)1.1.2網(wǎng)絡(luò)模塊設(shè)計(jì)輸入；惡意代碼數(shù)據(jù)從input處輸入，input為(256*256*1)是因?yàn)樵O(shè)計(jì)輸入數(shù)據(jù)的尺寸為256*256，是灰度圖像，所以通道數(shù)為1。深度可分離卷積層；C1、C3、C5、C4、C6、C7為深度可分離卷積層，這幾層替代了原AlexNet中卷積層的未知，卷積層的kernel(卷積層的形狀)=(x,x,y,z),x*x代表著前一層輸出的尺寸,y代表著輸入的通道數(shù),z代表著輸出的通道數(shù),stride代表著每次卷積核移動(dòng)的距離,最后接上relu(線性整流層)激活函數(shù)。批量歸一化層；BN層是LRN層的替代。LRN層是局部響應(yīng)歸一化層，LRN層是AlexNet的特色，它可以對(duì)輸入進(jìn)行歸一化操作，該層有著橫向抑制的作用，在接收到激活函數(shù)的輸出時(shí)，將該結(jié)果進(jìn)行歸一化處理，可以大大提高神經(jīng)網(wǎng)絡(luò)的泛化性能；但隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展逐漸由BN替代了LRN層,使用BN層的神經(jīng)網(wǎng)絡(luò)可以接受更大的學(xué)習(xí)率，且該網(wǎng)絡(luò)的梯度也能得到優(yōu)化,隨著學(xué)習(xí)率的提升，該網(wǎng)絡(luò)的訓(xùn)練速度也會(huì)得到提升，并且也不再那么依賴參數(shù)初始化，BN層還能增強(qiáng)網(wǎng)絡(luò)的泛化能力,因此選擇BN層來(lái)替代LRN層是最優(yōu)解。池化層；C2、C4、C8的位置本該是池化層，池化是卷積神經(jīng)網(wǎng)絡(luò)中的一個(gè)很重要的一個(gè)功能層，它的主要功能是降低數(shù)據(jù)的復(fù)雜程度，也就是降采樣，池化方式分為平均池(AveragePooling)和最大池化(MaxPooling)，最大池化的過(guò)程就是不斷采樣圖像中的一定區(qū)域，使用該區(qū)域內(nèi)的最大值代表該區(qū)域的特征，它能有效降低參數(shù)的數(shù)量，以此來(lái)加快訓(xùn)練過(guò)程；且因?yàn)楹雎缘袅艘徊糠值臄?shù)據(jù)，有一定防止過(guò)擬合的功能。最大池化也是卷積神經(jīng)網(wǎng)絡(luò)中最常用的池化方法，且常常會(huì)選擇令池化層的stride小于filter，這樣就能盡可能地覆蓋完整數(shù)據(jù)。但考慮到池化層可能會(huì)忽略掉一部分重要信息，所以本文中使用深度可分離卷積來(lái)替換掉池化層，使神經(jīng)網(wǎng)絡(luò)保留更多的信息，且比常規(guī)的卷積層參數(shù)量更少。全連接層；F1、F2是全連接層，在神經(jīng)網(wǎng)絡(luò)中，全連接層在神經(jīng)網(wǎng)絡(luò)中承擔(dān)著分類的功能，它起到了把學(xué)習(xí)的“分布特征表示”映射到樣本標(biāo)記空間的作用，全連接層中的每個(gè)神經(jīng)元與其前一層的所有神經(jīng)元全部連接；該層將會(huì)綜合卷積層或池化層中具有類別區(qū)分性的局部信息，然后傳遞給下一層，處于網(wǎng)絡(luò)尾部的全連接層的輸出通常會(huì)被傳遞softmax函數(shù)。在神經(jīng)網(wǎng)絡(luò)中，常常會(huì)在神經(jīng)網(wǎng)絡(luò)的末尾接上兩個(gè)全連接層[[]胡小春,朱成宇,陳燕.深度卷積神經(jīng)網(wǎng)絡(luò)模型的研究分析[J].信息技術(shù)與信息化,2021(04):107-110.]，每層中的每個(gè)神經(jīng)元都可以模擬作為一個(gè)多項(xiàng)式，根據(jù)泰勒公式的原理，我們需要許多的神經(jīng)元去擬合非線性曲線，所以常常會(huì)使用兩層全連接層。全連接層中的神經(jīng)元個(gè)數(shù)和激活函數(shù)會(huì)影響神經(jīng)網(wǎng)絡(luò)性能，在理論上，神經(jīng)元的個(gè)數(shù)增多會(huì)增強(qiáng)神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，同時(shí)也會(huì)提升神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，但神經(jīng)元的個(gè)數(shù)增多同樣會(huì)導(dǎo)致模型過(guò)擬合的問(wèn)題，且訓(xùn)練時(shí)間也會(huì)相應(yīng)增加，這是本網(wǎng)絡(luò)中所不希望的結(jié)構(gòu)。F1、F2代表著全連接層，該層的filter代表著尺寸F1的尺寸選為1024、F2的尺寸選為25，dropout代表著隨機(jī)丟棄神經(jīng)元的概率，它的取值為0.1。[]胡小春,朱成宇,陳燕.深度卷積神經(jīng)網(wǎng)絡(luò)模型的研究分析[J].信息技術(shù)與信息化,2021(04):107-110.激活函數(shù)；本網(wǎng)絡(luò)在每個(gè)深度可分離卷積層后，都添加了relu作為激活函數(shù)。在神經(jīng)網(wǎng)絡(luò)中，如果沒(méi)有非線性因素，那么網(wǎng)絡(luò)的結(jié)構(gòu)將會(huì)是一條直線，所以需要使用激活函數(shù)來(lái)引進(jìn)非線性因素，來(lái)讓神經(jīng)網(wǎng)絡(luò)引入非線性因素，使神經(jīng)網(wǎng)絡(luò)可以逼近和擬合任何非線性函數(shù)，當(dāng)前使用較多的激活函數(shù)為：relu、sigmoid和tanh函數(shù)。在Alexnet中使用的激活函數(shù)是relu，在深度學(xué)習(xí)的研究中1，最大的困擾就是梯度消失的問(wèn)題；使用sigmoid和tanh等激活函數(shù)的時(shí)候，會(huì)帶來(lái)梯度消失問(wèn)題，而relu的優(yōu)點(diǎn)是可以克服梯度消失，以此大大提升神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。但它也會(huì)對(duì)輸入為負(fù)數(shù)的數(shù)據(jù)直接丟棄，在許多條件下并不適用，而且relu函數(shù)不是一個(gè)以0為中心的函數(shù)，它的結(jié)果只能在0和正數(shù)之間取值[[]J.A.A.OpschoorandCh.SchwabandJ.Zech.ExponentialReLUDNNExpressionofHolomorphicMapsinHighDimension[J].ConstructiveApproximation,2021,1-46.[]J.A.A.OpschoorandCh.SchwabandJ.Zech.ExponentialReLUDNNExpressionofHolomorphicMapsinHighDimension[J].ConstructiveApproximation,2021,1-46.1.1.3模型訓(xùn)練模型的結(jié)構(gòu)參數(shù)如下表所示：表3-1神經(jīng)網(wǎng)絡(luò)參數(shù)表網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)InputSize=（256，256，1）C6層kernel=（3，3，192）relu,strides=1C1層kernel=（11，11，48）relu,strides=4C7層kernel=（3，3，192）relu,strides=1C2層kernel=（3，3，192）relu,strides=2C8層kernel=（3，3，128）relu,strides=2C3層kernel=（5，5，128）relu,strides=1BN層C4層kernel=（3，3，192）relu,strides=2F1、F2size=1024、25,dropout=0.5C5層kernel=（3，3，192）relu,strides=1outputSize=25損失函數(shù)Categorical_Crossentropy優(yōu)化器Adam圖片的輸入尺寸為256*256，batch_size選擇為8，測(cè)試得到該參數(shù)下epoch為100輪時(shí)效果較好。訓(xùn)練并輸出模型。具體模型訓(xùn)練流程：數(shù)據(jù)以256*256*1從input處輸入，經(jīng)過(guò)96個(gè)11*11步長(zhǎng)為4的深度可分離卷積后變?yōu)?4*64*48；再進(jìn)入第二個(gè)3*3*192的深度可分離卷積，輸出為31*31*192；再進(jìn)入BN層，數(shù)據(jù)的尺寸不會(huì)發(fā)生變化；從BN層輸出后，進(jìn)入第三個(gè)5*5*128的深度可分離卷積，該層的輸出為31*31*128；再通過(guò)第四個(gè)3*3*192的深度可分離卷積，輸出為15*15*192；再進(jìn)入到BN層，依舊不改變數(shù)據(jù)尺寸；經(jīng)過(guò)第五個(gè)3*3*192的深度可分離卷積，輸出的結(jié)構(gòu)為13*13*192；再經(jīng)過(guò)第六個(gè)3*3*192的深度可分離卷積后，數(shù)據(jù)變成了11*11*192；經(jīng)過(guò)第七個(gè)3*3*256的深度可分離卷積后，數(shù)據(jù)輸出為9*9*128；經(jīng)過(guò)最后一層3*3*192步長(zhǎng)為2的深度可分離卷積后輸出為4*4*192；此輸出再經(jīng)過(guò)flatten展平，輸入到分別為1024和25的全連接層后，輸出劃分為25類。

第2章實(shí)驗(yàn)與分析2.1實(shí)驗(yàn)設(shè)置2.1.1實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集本實(shí)驗(yàn)中使用的是malimg[[]FarkhundIqbaletal.ADeepLearningFrameworkforMalwareClassification[J].InternationalJournalofDigitalCrimeandForensics(IJDCF),2020,12(1):90-108.[]FarkhundIqbaletal.ADeepLearningFrameworkforMalwareClassification[J].InternationalJournalofDigitalCrimeandForensics(IJDCF),2020,12(1):90-108.具體數(shù)量由下表所示：表4-1均衡化后數(shù)據(jù)集詳情家族數(shù)量家族數(shù)量Adialer.C125Lolyda.AA2184Agent.FYI116Malex.gen!J136C2LOP.P146Lolyda.AT159Dialplatform.B177Rbot!gen158Fakerean157VB.AT176Dontovo.A162Wintrim.BX97C2LOP.gen!g167Skintrim.N80Instantaccess198Yuner.A215Lolyda.AA1213Obfuscator.AD142Allaple.L325Swizzor.gen!E128Autorun.K106Swizzor.gen!I132Alueron.gen!J198Lolyda.AA3123Allaple.A378本次實(shí)驗(yàn)的實(shí)驗(yàn)環(huán)境和設(shè)備參數(shù)如下表。表4-2實(shí)驗(yàn)環(huán)境和設(shè)備參數(shù)硬件說(shuō)明軟件說(shuō)明CPUInteli5-7300CUDA11GPUGTX1050編譯器VisualStudioRAM8GB編程語(yǔ)言Python本次實(shí)驗(yàn)中一些超參數(shù)如下。表4-3超參數(shù)及其設(shè)置EpochBatch_sizedropoutoptimize10080.1Adam2.1.2評(píng)價(jià)指標(biāo)本次實(shí)驗(yàn)的目的是設(shè)計(jì)一種能在中低端個(gè)人計(jì)算機(jī)的環(huán)境下有較好運(yùn)算體驗(yàn)的惡意代碼檢測(cè)網(wǎng)絡(luò)，所以需要構(gòu)建一個(gè)輕量化的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的模型和參數(shù)需要較為簡(jiǎn)，訓(xùn)練效率高，且擁有較高的準(zhǔn)確率，故選取訓(xùn)練時(shí)間和模型的準(zhǔn)確率作為本次實(shí)驗(yàn)的兩個(gè)評(píng)價(jià)指標(biāo)，模型的處理時(shí)間以該模型在測(cè)試集下的十次平均處理時(shí)間為準(zhǔn)。模型準(zhǔn)確率以測(cè)試集分類正確的圖數(shù)除以測(cè)試集的總數(shù)得到。2.2總體性能驗(yàn)證與分析為了驗(yàn)證本文提出的惡意代碼檢測(cè)模型的準(zhǔn)確性和性能，將本文構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型與測(cè)試結(jié)果效果較好的幾個(gè)惡意代碼檢測(cè)模型進(jìn)行比較測(cè)試，驗(yàn)證該模型在訓(xùn)練效率和檢測(cè)準(zhǔn)確度上的進(jìn)步。Nataraj使用K臨近算法對(duì)惡意代碼的GIST特征進(jìn)行提取分類；CuiZ[9]將惡意代碼轉(zhuǎn)換為灰度圖像，使用自己搭建的卷積神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)；蔣[[]蔣考林,白瑋,張磊,陳軍,潘志松,郭世澤.基于多通道圖像深度學(xué)習(xí)的惡意代碼檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2021,41(04):1142-1147.[]蔣考林,白瑋,張磊,陳軍,潘志松,郭世澤.基于多通道圖像深度學(xué)習(xí)的惡意代碼檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2021,41(04):1142-1147.表4-5網(wǎng)絡(luò)性能比較網(wǎng)絡(luò)方法數(shù)據(jù)集是否均衡化多通道圖像數(shù)據(jù)集準(zhǔn)確率處理時(shí)間ms本網(wǎng)絡(luò)的方法是否89.77%55CuiZ是否81.57%141蔣考林是否85.03%57Nataraj是否91.33%143蔣考林是是91.25%181根據(jù)實(shí)驗(yàn)結(jié)果可知，本模型在列出的幾種網(wǎng)絡(luò)模型中，在單通道圖像數(shù)據(jù)集上的檢測(cè)準(zhǔn)確率第二高，且訓(xùn)練耗時(shí)最少。雖然Nataraj的K臨近算法的檢測(cè)準(zhǔn)確率在單通道數(shù)據(jù)集中最高，但該方法的檢測(cè)效率并不高，它的準(zhǔn)確率是犧牲檢測(cè)效率而換來(lái)的；蔣考林使用的模型與Alexnet模型結(jié)構(gòu)一致，該方法的訓(xùn)練效率較高，但由于網(wǎng)絡(luò)模型仍是經(jīng)典的Alexnet網(wǎng)絡(luò)結(jié)構(gòu)所以在檢測(cè)準(zhǔn)確率上并不理想；蔣考林的