由于当今网络和应用程序的快速增长,互联网流量的分类变得越来越重要。我们网络中的连接数量和新应用程序的添加会导致大量日志数据,并使专家搜索常见模式变得复杂。在特定类别的应用程序中找到此类模式对于满足网络分析中的各种要求是必要的。深度学习方法同时从单个系统中的数据中提供特征提取和分类。但是,这些网络非常复杂,被用作黑框模型,它削弱了专家对分类的信任。此外,通过将它们用作黑色框,尽管其表现出色,但仍无法从模型预测中获得新知识。因此,分类的解释性至关重要。除了增加信任外,该解释还可以用于模型评估,从数据中获得新的见解并改善模型。在本文中,我们提出了一个视觉交互式工具,该工具将网络数据的分类与解释技术结合在一起,以在专家,算法和数据之间形成接口。
translated by 谷歌翻译