关键词：高职院校思想政治工作有效途径
目前，中国社会正经历深刻变革。经济全球化、社会信息化、文化及意识形态多元化，冲击着当代高职院校学生的世界观、价值观与人生观。高职院校学生处于一个敏感、矛盾、情绪易激动的心理波动时期，对外界信息的吸收能力极强，思想观念日趋多元化，价值取向日趋复杂，个人行为的主动性不断增强，自我发展的意愿诉求日益强烈。社会环境的复杂多样和高职院学生的心理特征，使高职院校思想政治教育工作的难度加大。这就需要我们以全新视角正确认识高职院学生思想变化和行为活动的规律性，积极探索新形势下高职院学生思想政治教育的新途径、新方法与新体制。
一、正确认清高职学生思想政治工作的现状
通过对学生思想状况进行问卷调查，进一步掌握学生思想政治教育工作现状，切实增强思想政治教育工作的针对性和实效性。本次调查采取不记名电子问卷调查的方式进行，从个人价值观、理想信念和社会道德、学校环境中青年学生思想状况、社会主义核心价值观四个角度设计问卷，抽取南京科技职业学院2200名大二年级学生参加此次调查。实际收回问卷2132份，有效问卷2132份，回收率为96.9%。通过对收回问卷的数据统计和分析，发现目前高职院校学生思想政治教育主要存在以下问题。
（一）价值取向多元化。
调查发现，高职学生人生观和价值观的主流是积极的，健康的，有责任心、有进取心、有精神追求，但思想活动的独立性、选择性、多元性与差异性明显增强。在自我认知方面，59.33%的学生认为自己有理想有抱负，积极为自己的目标努力，抱着乐观的态度，36.49%的学生知道未来形势严峻，但现在很茫然，不知道该如何努力；成长环境、家庭教育和学校教育对高职学生价值观形成的影响最大，分别为42.45%、29.13%、10.65%，这从侧面反映了融入日常生活中不经意的言谈举止比灌输性的教育更具影响力，要重视隐形宣教力度的渗透；在人生价值标准方面，学生认可度的高低依次为是否实现人生理想40.71%，对社会贡献的大小28.28%，人格是否高尚16.74%，社会地位的高低7.88%，金钱的多少5.02%，权力的大小1.36%；36.49%的被调查者认为在同学当中，“习惯性怀疑”的存在很普遍或较普遍，36.96%认为一般。被调查者认为在学校环境中，“习惯性怀疑”的表现依次分别为：对贫困生的认定表示怀疑50.23%，对食堂的食品卫生及安全表示怀疑48.17%，对学校的奖惩制度表示怀疑41.42%，对人与人之间的信任表示怀疑33.96%，对入党人选的产生表示怀疑32.36%，对课程成绩表示怀疑20.06%。
（二）缺乏精神追求，价值信仰不坚定。
调查发现，高职学生初步接触社会面临复杂的社会问题时，大部分学生缺乏对爱国主义精神的认同感，导致价值信仰不坚定，缺乏精神追求。影响高职学生爱国主义精神的因素依次为：社会不良风气影响46.29%，社会贫富差距加大16.89%，官员腐败问题14.54%，社会不公问题15.01%，就业难问题7.27%；有61.63%的被调查者了解或比较了解“中国梦”。62.48%的被调查者对中国梦比较有信心，但认为需要较长时间和较大努力实现，21.53%选择完全有信心，认为一定可以实现；50.28%的被调查者认为，学校对培育和践行社会主义核心价值观比较重视，但存在走形式的现象；70.5%认为志愿者活动对加强大学生社会主义核心价值观教育发挥的作用更大，55.25%认为思政课程发挥的作用更大；34.57%表示愿意通过志愿者活动学习社会主义核心价值观，其次是学校教育，占26.83%。
问卷中设计了三种遇到某具体社会现象时的个人判定。当问及如果遇到有人摔倒，32.08%的学生选择必须扶，27.16%的学生选择说不清，21.67%的学生选择报警求助，同样有11.77%的学生选择不敢扶，这也折射出了另一个社会诚信问题，缺乏起码的道德信任，诚信问题缺失，导致许多人需要帮助，但没人敢帮，怕给自己带来不必要的麻烦；52.81%的学生不会为节省时间而闯红灯、翻栏杆，44.93%有时会；如果看到别人都在闯红灯、翻栏杆，56.99%的学生依然选择遵守交通规则，21.62%选择装作没看到。由此可见，高职学生社会公德意识整体上比较强，社会的进步在高职学生身上得到充分体现。多数高职学生的社会道德、社会公德都是传递着正能量的，体现了当代大学生的素质，主动让行，主动维护社会秩序。
（三）互联网给高职院校思想政治工作增加了难度。
21世纪是一个高度信息化的时代，是网络空间支撑的世纪。随着信息技术的不断发展和扩散，网络已经渗透到学生学习、生活的各个方面，改变着学生学习和生活的方式，也成为他们生存、生活的另一个平台。一方面，互联网内容丰富、针对性强、覆盖面广，对高职学生开阔视野、拓宽知识领域起到了积极的促进作用。另一方面，网上信息庞杂多样，良莠并存，不良信息危害高职学生的身心健康，网络交流、虚拟社区阻碍部分学生现实情感的交流和发展，匿名化使得网上道德观难以确立，网上形象、生动、及时、快速的新信息也使学生对相对严肃滞后的思想政治教育产生逆反和厌倦心理。
调查中，38.6%学生认为“网络成瘾”现象很普遍或较普遍，35.6%学生认为“网络成瘾”现象一般，25.8%认为很少或几乎没有；68.01%的学生上网的频率是每天一次或多次；造成网络成瘾的原因主要为空余时间多，空虚无聊（59.62%），现实压力过大，将一切娱乐化以逃避现实的压力（59.13%），社会价值观体系紊乱，缺乏健康的公民文化土壤（28.85%）；学生上网的主要目的依次为获取信息（62.71%），娱乐、音乐、电影、玩游戏（60.18%），交流论坛、博客（46.81%），使用生活助手（网上求职、教育、购物、销售、网上银行）40.06%，上网做作业（31.43%）。
二、切实创新高职学生思想政治工作的方法
（一）以心理健康教育为切入点，设计符合人才成长规律的思想政治工作思路。
每个学生都有自己特有的属性、人生观和价值取向，现有的思想政治工作强调共性教育，难免对学生个体不能准确把握，从而导致思想政治教育实效性不强。因此，有必要把心理学有关原理和规律运用到思想政治教育工作当中，针对学生不同的特点，有的放矢，着重解决大学生在思想观念、价值取向、行为方式等方面存在的深层次问题。
1.将心理健康教育纳入德育工作计划，系统地进行心理健康教育。对大一新生开展对新的生活环境、学习环境的适应性教育，对大二学生开展学习过程中的心理教育，对大三大四学生开展恋爱、就业的心理疏导。
2.建立心理档案，积极开展大学生心理辅导和咨询工作。对全体新生进行心理普查，了解他们的心理状况，建立新生心理档案。对已经发现有心理障碍的学生追踪了解，及早发现问题、解决问题。
3.加强对高职院校辅导员的心理咨询培训。辅导员具有开展心理健康教育的天然优势，也拥有更多机会了解学生，更容易与学生进行思想情感的沟通交流，他们可以很好地掌握每个学生的个性、家庭状况、交友关系及其他问题，并在此基础上有计划地针对每个学生进行有效指导。
（二）充分发挥“两课”教学主渠道作用，坚定学生马克思主义信仰。
1.转变教学观念，从新的高度理解“两课”教学的作用和功能。“两课”教学不是单纯的文化知识的传授，更是对学生进行马克思主义理论和思想品德教育的主阵地。进行教学时，要密切联系社会主义现代化建设面临的新形势、新任务及学生思想政治状况的新变化，既要注意理论深度又要贴近现实生活，使“两课”教学内容深入浅出，生动简明，有吸引力，切实增强“两课”教学的科学性、系统性和针对性。
2.改进课堂教学。“两课”在内容上要理论联系实际，注意掌握学生的思想特点和关注的热点、难点问题，循循善诱，因势利导，引导他们正确认识形势，明辨是非，客观冷静地分析问题、思考问题、评判问题；在教学方法上，力戒空谈说教，要发挥学生主体作用，由单一灌输转变为双向交流，重在引导，将有意识注入和无意识熏陶相结合，以“润物细无声”的方式，潜移默化地将先进思想意识灌输到学生的思想中。
3.优化教学手段。充分发挥网络教育方式多样、直观形象的优势，把严肃抽象的理论教育内容变得生动、形象、有趣，帮助学生生动形象地学习和领会“两课”的丰富内涵。同时，学校要创造条件，开辟“第二课堂”，举办专题讲座，同时引导学生积极参加社会公益活动，参与社会调查、社会考察等社会实践等活动，增强社会责任感，培养艰苦奋斗的精神，让学生在活动中将单纯的政治理论观点内化、吸收、升华，从教育内容和现实社会的结合中寻找真谛，从人本主义教育的体验中学会做人。
（三）建立健全校园信息网络。
充分利用新媒体平台的辐射力、吸引力和感召力，弘扬主旋律，抢占主战场，使学生树立起正确的人生观与价值观，形成正确的网络伦理道德。
1.建立主流网站和网页，充分利用新媒体，让马克思主义和先进文化成为网络信息的主旋律。借助自身所拥有的人才、技术优势，建立起具有科学性、知识性、趣味性的网站，并充分发挥学校官方微博、微信的引导和互动作用，使之成为网络时代思想政治工作的一个重要平台。
2.积极引导BBS上的舆论，及时回应，在第一时间以关心、帮助的态度回复，随时与学生进行平等交流，回答学生提出的问题，解决学生提出的一些迫切需要解决的问题，将许多现实可能激化的矛盾在网上消解。对突发事件、重要事件要及早信息，以避免虚假的信息、偏激的意见在BBS上形成规模。
3.建设一支思想过硬的网上宣传队伍。对思想政治教育工作人员进行网络知识的培训，使他们能充分利用现代化的教学手段，学会通过互联网及时、快速地获取信息、分析信息、反馈信息，做好网络信息传播的“把关人”，并引导大学生查找和利用正确有益的网上信息，主动参与网络文化的建设。
（四）加强校园文化建设。
校园文化是通过一定的物质环境和精神气氛使生活在其中的每个成员都有意无意地在思想观念、心理因素、行为准则、价值取向等方面与现实文化发生认同，从而实现对人的精神、心灵、性格的塑造。因此，校园文化的建设尤显重要。
1.转变教育理念，重新定位校园文化。校园文化的核心和实质是超功利主义的，它的出发点是人的发展，以文化为载体，着眼于精神建设，服务于人的全面发展。当学生长期置身于校园文化形成的浓郁的精神氛围中，就能够在潜移默化中受到熏陶，不自觉地形成良好的文化意识和文化品格。
2.发挥好校园文化的导向功能，找准切入点弘扬主旋律，让健康向上、催人上进的文化占领校园文化主阵地，使学生能自觉地摒弃腐朽落后、低级庸俗的文化，起到环境育人的作用。
3.大力开展形式多样、丰富多彩，富有感染力和吸引力的校园文化活动，如举办各种主题的校园文化节，广泛开展校园文明创建活动，举办文艺晚会、辩论赛、知识竞赛、作品展等多样化的文化艺术教育活动，在校内营造出多层次、多类型、系列化、规模化和品牌化的独特校园文化氛围。
参考文献：
关键词：计算机视觉；D像理解；卷积神经网络；多层感知器
中图分类号：TN915.63?34；TP311文献标识码：A文章编号：1004?373X（2017）14?0170?04
Abstract：Theopticalnetworkisalightweight，versatileandpurelyMatlab?baseddeeplearningframework.Theideaunderlyingitsdesignistoprovideaneasy?to?understand，easy?to?useandefficientcomputationalplatformfordeeplearningresearch.Theframeworksupportsmajordeeplearningarchitecturessuchasmultilayerperceptron（MLP）networks，convolutionalneuralnetworks（CNN）andrecurrentneuralnetworks（RNN）.TheframeworkalsosupportsthestraightforwardswitchbetweenbothCPUandGPUforcomputation.Theexperimentresultindicatesthattheframeworkhasdifferentapplicationsincomputervision，naturallanguageprocessingandrobotictechnology.
Keywords：computervision；imageunderstanding；convolutionalneuralnetwork；multilayerperceptron
0引言
深层神经网络[1]已经给出了许多机器智能问题的主要进展，最新的神经网络模型的实现主要强调效率。这些框架可以由20万～50万行代码组成，并经常涉及多个编程语言[2?4]。它需要付出巨大的努力来彻底理解和改进模型。一个简单的和自我解释的深层学习框架是高度预期的且加快深层神经网络模型的理解和应用。
在此提出的光网络是一个轻便的、整理的和纯基于Matlab的深层神经网络模型。简洁、高效的Matlab编程技术已被用来实现所有的计算模块。许多神经网络流行的类型，如多层感知器、卷积神经网络、神经网络都在光网络中得以实现，是结合随机梯度下降的几个变化（SDG）为基础的优化算法。
自从光网络仅用Matlab实现，主要的计算用几百行代码来矢量化和执行，数量级比现有的框架更简洁。所有基本操作都可以轻松定制，只需有Matlab编程基本知识。数学化研究人员可以专注于数学建模的一部分而不是工程部分。
应用程序的用户可以很容易地理解和修改任何部分的框架，开发新的网络架构，使他们适应新的应用。除了简单，光网络还具有以下特点：光网络包含最现代的网络架构；计算机视觉中的应用、自然语言处理和强化学习已被证明；光网络提供了一个综合的优化算法的收集；光网络支持在CPU和GPU之间计算的简单切换；快速傅里叶变换来有效地计算卷积，从而使大卷积核被支持；光网络自动化的超参数优化了新型选择性的SGD算法。
1模块
主要的计算模块包括前馈过程和向后/反向传播过程。前馈过程评估模型，反向传播报告网络梯度。随机梯度下降算法是用来优化模型参数。
1.1核心计算模块
光网络能够专注于数学部分而不是低层次的工程细节。为了使本文更完备，在此说明光网络中的主要计算模块。本文的所有网络和相关实验都是建立在这些模块的基础之上。
1.1.1线性感知器层
一个线性感知器层可以表示为y=Wx+b。在这里，x表示input_dim×1大小的输入数据，W表示output_dim×input_dim大小的权重矩阵，b是一个output_dim×1大小的偏置向量，y表示output_dim×1大小的线性层输出。
从线性感知器输入映射到最终的网络输出可以表示为z=f（y）=f（Wx+b），f是一个非线性函数，它表示在更深层次的网络的计算；z是网络输出，通常是一个损失值。
1.1.2卷积层
卷积层由一个多维滤波器组kio将输入特征图Nmap_in映射到输出特征图Nmap_out。每个输入特征图xi与相对应的滤波器组kio进行卷积，卷积的结果是求和并添加偏置值Bo生成o?th输出图：。允许使用大的卷积核，快速傅里叶变换（FFT）是用来计算卷积（及相关）。根据卷积定理[5]，在空间域卷积等价于在频域的逐点乘法。因此，ki*xi可以用傅里叶变换计算：ki*xi=F-1{F{ki}・F{xi}}。在这里，F表示傅里叶变换，“”表示逐点乘法运算，卷积层支持填充和跨越。
从o?th输出特征图到网络输出的映射可以表示为z=f（yo）。这里f是从o?th输出特征图yo到最终的网络输出的非线性映射。与第1.1.1节类似，，，需要在反向的过程中计算。
1.1.3Max?pooling层
最大pooling层计算在窗口中的最大元素与步幅大小，一个定制的im2col_ln功能是实现转换pooling补丁为列向量，来矢量化在Matlab中的pooling计算。内置的最大功能是这些列向量可以返回pooling结果和这些最大值的指数，然后，在原来的批量数据恢复相应指数。此外，零填充可应用于输入数据。
不失一般性，从Max?pooling层输入到最终的网络输出的映射可以表示为z=f（y）=f（Sx），其中S是选择矩阵，x是一个列向量，它表示输入数据到这层。
在反向的过程中，被计算并传递给浅层：。
当pooling范围小于或等于该步长大小时，可以用Matlab中简单的矩阵索引技术计算出。具体来说，与输入数据相同大小的一个空的张量dzdx被创建。dzdx（from）=dzdy，from是pooling指数，dzdy是一个记录pooling结果的张量。当pooling范围大于步长大小时，x中的每一个条目都可以被汇集多次，并且反向传播梯度需要为这些多个汇集条目积累。在这种情况下，计算可以利用Matlab自带的功能accumarray（）。
1.1.4修正线性单元
修正线性单元（ReLU）作为一个主要的非线性映射函数被实现，一些其他的函数包括sigmoid和tanh这里的讨论就省略了。ReLU函数是很独特的函数，如果输入大于0，则输出0，否则y=ReLU（x）=x・ind（x>0）。在反向的过程中，如果输入数据是非负的，则梯度传递到较浅层，否则，梯度被忽略。
1.2损失函数
通常，一个损失函数会和最深核心计算模块的输出相连。目前，为了达到分类任务光网络还支持softmax中的LogLoss函数。
1.3优化算法
随机梯度下降（SGD）为基础的优化算法是训练深层神经网络的主要工具。标准的SGD算法和它的一些流行的变型如adagrad[6]，rmsprop[7]，Adam[8]，同样实现了深度学习的研究。值得一提的是，在此实现了一个新的选择性的SGD算法便于参数尤其是学习速率的选择。
2实验
2.1多层感知器网络
在MNIST数据上[9]构造一个多层感知器网络来测试光网络的性能。网络从MNIST图像数据集取得28×28输入，在接下来的两层分别有128个节点。然后，128维特征连接10个节点来计算softmax输出。实验结果见图1。
和测试阶段的损失和错误率
2.2卷积神经网络
在cifar?10数据[10]上由4个卷积层构建一个卷积网络来测试光网络的性能。此结构与来自MatConvNet的一个报告相同[3]。32，32，64，64在前三层有5×5大小的卷积核，最后一层有4×4大小的内核。ReLU函数应用到每一个卷积层之后作为非线性映射函数。光网络自动选择和调整学习速率并可以达到非常精确。与有固定的学习速率的SGD标准比较，选择性SGD具有更好的精度。最重要的是，使用选择性SGD避免手动调谐的学习速率。图2为实验结果。计算在一个Inteli56600KCPU和NvidiaTitanXGPU（12GB内存）的台式电脑上进行。当前版本的光网络用这种网络结构在GPU上每秒可以处理750个图像，大约比使用的CPU速度快5倍。
2.3LSTM网络
长短期记忆（LSTM）[11]是一个流行的递归神经网络模型。由于光网络的整理性，LSTM网络作为一个特定的应用程序可以在光网络包中实现。值得注意的是，在光网络中的核心计算模块用于执行时域前向过程和反向传播为LSTM。
在一个LSTM模型中的前向过程可以用公式表示为：
和测试阶段的损失和错误率
优化LSTM模型，在LSTM中通过时间的反向传播实现和计算最关键值：
采用一个关键的迭代属性来计算上述值：
一些其他的梯度可以通过使用上述计算输出的链规则计算：
LSTM网络测试一个字符语言建模任务，该数据集由选自莎士比亚作品的20000个句子组成，每个句子断成67字（和标点符号），LSTM模型可以根据前一个字符预测下一个字符。网络模型中使用30个隐含节点并且RMSProp用于训练。在后10次训练，下一个字符的预测精度提高到70%。
2.4Q?网络
作为强化学习中的应用，创建一个和MLP网络一致的Q?network[12]。然后将Q?network应用到经典的Cart?Pole的问题中[13]。Cart?Pole系统的动力学可以在一个两层网络数百次迭代中学习到。对Q?network更新过程的一次迭代为：
式中，act是由概率ε随机选择的。所需的网络输出值Qnew是利用观测到的reward和由此产生的状态的贴现值γV（statenew）计算出来的，通过均衡器预测当前的网络。通过使用最小平方损失函数：
3结论
为了深层神经网络模型的理解与发展，光网络提供了一个易于扩展的生态系统。在Matlab环境下，整个计算过程可以很容易地跟踪和可视化。这些设置的主要功能可以对深度学习研究界提供独特的便利。
⒖嘉南
[1]KRIZHEVSKYA，SUTSKEVERI，HINTONGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[J].Advancesinneuralinformationprocessingsystems，2012，25（2）：1097?1105.
[2]JIAY，SHELHAMERE，DONAHUEJ，etal.Caffe：Convolutionalarchitectureforfastfeatureembedding[C]//ProceedingsoftheACMInternationalConferenceonMultimedia.[S.l.]：ACM，2014：675?678.
[3]VEDALDIA，LENCK.Matconvnet：ConvolutionalneuralnetworksforMatlab[C]//Proceedingsofthe23rdAnnualACMConferenceonMultimedia.[S.l.]：ACM，2015：689?692.
[4]BASTIENF，LAMBLINP，PASCANUR，etal.Theano：newfeaturesandspeedimprovements[J].arXivpreprintarXiv，2012，20：42?51.
[5]MALLATSG.Awavelettourofsignalprocessing：thesparseway[J].Academicpress，1998，31（3）：83?85.
[6]DUCHIJ，HAZANE，SINGERY.Adaptivesubgradientmethodsforonlinelearningandstochasticoptimization[J].Thejournalofmachinelearningresearch，2011（12）：2121?2159.
[7]TIELEMANT，HINTONG.Lecture6.5?rmsprop：Dividethegradientbyarunningaverageofitsrecentmagnitude[J].Neuralnetworksformachinelearning，2012，4（2）：20?26.
[8]KINGMAD，BAJ.Adam：Amethodforstochasticoptimization[C]//Proceedingsofthe3rdInternationalConferenceforLearningRepresentations.SanDiego：[s.n.]，2015：1412?1418.
[9]LECUNY，BOTTOUL，BENGIOY，etal.Gradient?basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86（11）：2278?2324.
[10]KRIZHEVSKYA，HINTONG.Learningmultiplelayersoffeaturesfromtinyimages[M].[S.l.：s.n.]，2009.
[11]HOCHREITERS，SCHMIDHUBERJ.Longshort?termmemory[J].Neuralcomputation，1997，9（8）：1735?1780.
关键词：深度学习；网络安全；网络数据；计算机
随着信息化社会的进步，互联网与人们的生活紧密相关，人们可以通过互联网进行购物、社交、学习，为人们的生活带来便利的同时，也促进了社会经济的发展。然而，信息安全问题日益突出，存在数据外泄的风险[1]。网络病毒、数据泄露等问题一直在威胁着人们的信息安全，不仅会影响个人的信息安全，还会威胁国家网络信息安全，因此必须从多方面对互联网信息安全进行防护[2]。在计算机网络安全管理中，需要实时检测网络平台数据的安全状态。深度学习是一种通过模拟人脑对视觉和听觉的反应对图片和音频进行分析的一种模型[3]。基于此，本文构建基于深度学习的网络安全管理模型，利用深度学习模型对网络数据中的不安全因素进行分析。
1网络安全管理模型设计
1.1构建网络平台防护框架
计算机病毒是危害互联网信息安全的重要因素之一，一般隐藏在执行程序、数据和文件中，不容易被人们发现。感染计算机病毒的电脑存在泄露个人信息的风险，而个人信息泄漏也会使其他的信息安全遭到一定程度的威胁，影响了我国的互联网安全。在大数据背景下，针对不同的情况应采用不同等级的防御系统[4]。本文以系统安全性评价为基础，构建网络平台防护框架，如图1所示[5]。网络平台防护框架包括用户信息采集模块、用户信息认证模块、防火墙模块、常用存储模块、备用存储模块、报警模块、数据监控模块、网络数据库模块、中央处理器模块、信息安全监测模块、信息安全分析模块和信息安全处理模块。
1.2网络信息安全检测
黑客攻击手段分为非破坏性攻击和破坏性攻击两类，非破坏性攻击是利用拒绝服务等手段来影响操作系统的正常工作，破坏性攻击则是指通过非法方式进入其他计算机，以窃取重要的操作系统保密信息，从而攻击系统的重要数据[5]。在黑客进行攻击时，最常用的手段就是利用域名随机算法随机生成恶意域名。虽然国内已经开发出相对完善的查杀系统和网络监测体系，但是随着人工智能技术的发展，恶意域名的识别也更加困难[6-8]。因此，需要建立新的域名检测方式，加强对恶意域名的识别，保障网络环境安全。
1.3基于深度学习的恶意域名检测模型
基于深度学习的恶意域名检测模型拥有多层认知机制，可通过训练实现对不同网络数据的识别[9-11]。深度学习基础模型大致包括卷积计算神经网络模型、深度信任网络模型及堆栈式自编码网络模型。在应用模型的过程中，可利用卷积神经网络数据识别的优点，对网络系统中存在的数据风险进行准确分析。卷积神经网络通过卷积层、池化层、全连接层来模拟人视觉神经网络，卷积层能够保留数据特征，并经过池化层进行降维和分析，通过全连接层输出最终结果。该模型的兼容性较强，可先进行预处理后再识别域名数据，能够节省计算时间。卷积神经网络可以实现对数据的识别，并通过模型中的多层神经网来模拟人脑对数据的处理方式。由于基于深度学习的恶意域名检测模型具有较强的自主学习能力，因此能够有效执行异常数据识别等操作，有效实现对恶意域名的检测。基于深度学习的恶意域名检测模型的检测过程如图2所示。输入域名后对域名进行预处理，排除数据中的重复域名和大数据中已有的非法域名，并对正常域名和非法域名进行标记[12]。进入嵌入阶段，将域名中的字符通过特定方式映射为多维向量，然后对向量进行训练[13]。检测域名中是否包含特殊字符，识别特殊字符的恶意程度，因为域名长度不长且没有完整的语法结构，所以利用卷积算法进行计算[14-15]。将数据输入卷积层提取信息后，输送至折叠层构建矩阵，最后进入全连接层进行训练，输出结果。
2实验对比分析
为证实网络安全管理模型的实用性能，采用对比实验的方式进行验证，分别采用本文设计的基于深度学习的网络安全管理模型与传统模型对实验数据进行安全监测。
2.1实验准备
在选取数据时，筛选当天产生的恶意域名，选取可信度高的30万条域名作为实验数据，再选取30万条正常域名将两者混合进行实验，另外再选取6万条恶意域名和6万条正常域名作为测试数据，实验数据划分情况如表1所示。将实验数据分批次进行训练，实验环境配置表如表2所示。
2.2实验数据和分析
在实验过程中，将数据分为5组分别进行实验，得到的实验数据如表3所示。从表3可以看出，基于深度学习的检测模型在检测过程中能够正确识别的数量明显多于传统模型，便于对数据进行进一步处理。
3结语