1.一种基于神经网络的网络异常检测方法,其特征在于,包括以下步骤:步骤1:将N个网络流量数据向量化,并对向量化后的数据进行标准化处理,得到N个标准化向量;
步骤2:构建投影矩阵,并对投影矩阵进行初始化;
步骤3:构建神经网络模型,并对神经网络模型进行初始化;
步骤4:根据标准化向量中的完备项和缺失项,提取投影矩阵中对应行或列生成投影中间矩阵,将标准化向量的缺失项删除,再与投影中间矩阵相乘得到降维后的数据样本;
步骤5:将降维后的数据样本输入至神经网络模型,得到模型的输出向量,计算输出向量与实际值向量之间的误差函数,采用误差函数对神经网络模型的权重矩阵、偏置项、以及投影中间矩阵进行更新,完成神经网络模型的训练;
步骤6:将网络异常测试数据经过投影矩阵降维后,输入至训练好的神经网络模型中,模型输出的结果即为网络异常检测结果;
其中,所述步骤4包括以下子步骤:
步骤4.1:记录标准化向量 中样本数据为完备项和缺失项的下标,n=1,2,…,N,m=1,2,…,M,N为样本的数量,M为样本的维数, 为第n个标准化向量中的第m个样本数据;
T (n)
步骤4.2:对比投影矩阵U=(u1,u2,…,um,…,uM)的行下标与标准化向量x 的下标,删(n)除与标准化向量x 缺失项对应的投影矩阵U中的行,得到投影中间矩阵U';
(n)
步骤4.3:将标准化向量x 中的缺失项删除后,再与投影中间矩阵U'相乘得到降维后(n)的数据样本x' 。
2.如权利要求1所述的网络异常检测方法,其特征在于,所述步骤2中,投影矩阵的构建包括以下子步骤:(n)
步骤2.1:由N个所述标准化向量x 构成样本数据矩阵X,求取样本数据矩阵X的去中心Ν×Μ化矩阵XC, 其中,X∈R ,N为样本的数量,M为样本的维数;
步骤2.2:求取协方差矩阵C,
步骤2.3:将所述协方差矩阵C进行特征值分解得到特征矩阵E,ΛE=CE,其中,Λ为对角矩阵,对角矩阵的角元素为各特征向量对应的特征值;
M×K
步骤2.4:取特征矩阵E前K个最大特征值对应的特征向量形成投影矩阵U,U∈R ,K为投影空间的大小。
3.如权利要求1所述的网络异常检测方法,其特征在于,所述步骤2中,采用主成分分析法对投影矩阵初始化,使投影矩阵成为各行两两正交或各列两两正交的矩阵。
4.如权利要求1所述的网络异常检测方法,其特征在于,所述步骤3中,神经网络模型每一层神经元的数量为上一层神经元数量的2/3。
5.如权利要求1所述的网络异常检测方法,其特征在于,所述步骤3中,采用Xavier初始化方法对神经网络模型进行初始化,使神经网络模型的权重矩阵W服从的均匀分布,偏置项的初始值为0;
其中,Nx为神经网络模型输入数据样本的维数,Ny为神经网络模型输出向量的维数。
6.如权利要求1所述的网络异常检测方法,其特征在于,所述步骤5包括以下子步骤:(n) (n)
步骤5.1:将降维后的数据样本x' 输入至神经网络模型得到的输出向量y' 中的元(n) (n)素为 分别为向量y' 、 中第c个元素,y' 为与降维后的(n) (n)
数据样本x' 对应的输出向量, 为与降维后的数据样本x' 对应的第D层的输入向量,第D层为输出层;
(n) (n)
步骤5 .2:计算输出向量y ' 与实际值向量y 之间的误差函数(n)
为实际值向量y 中的第c个元素;
步骤5.3:计算误差函数对权重矩阵、偏置项、以及投影中间矩阵的偏导:其中,Wd、Wd+1为第d、d+1层神经元的权重向量, 为第0、d+1、d+2层神经元的输入向量, 为第d层神经元的输出向量,bd为第d层神经元的偏置向量,h()为激活函(n)数,h'()为激活函数的导数,U'为投影中间矩阵,x' 为降维后的数据样本;
步骤5.4:对权重向量、偏置向量和投影中间矩阵进行更新,再根据投影中间矩阵更新投影矩阵:其中,η为学习率;
步骤5.5:当达到训练次数或误差函数小于设定阈值时,完成神经网络模型的训练,得到训练好的神经网络模型。
7.一种计算机可读介质,其特征在于,其上存储有计算机指令,所述计算机指令在由处理器执行时实现如权利要求1~6中任意一项所述的基于神经网络的网络异常检测方法的步骤。
8.一种基于神经网络的网络异常检测装置,其特征在于,包括处理器及与所述处理器通信连接的存储器;
所述处理器被配置为:
将N个网络流量数据向量化,并对向量化后的数据进行标准化处理,得到N个标准化向量;
构建投影矩阵,并对投影矩阵进行初始化;
构建神经网络模型,并对神经网络模型进行初始化;
记录标准化向量 中样本数据为完备项和缺失项的下标,n=
1,2,…,N,m=1,2,…,M,N为样本的数量,M为样本的维数, 为第n个标准化向量中的第m个样本数据;
T (n)
对比投影矩阵U=(u1,u2,…,um,…,uM) 的行下标与标准化向量x 的下标,删除与标准(n)化向量x 缺失项对应的投影矩阵U中的行,得到投影中间矩阵U';
(n)
将标准化向量x 中的缺失项删除后,再与投影中间矩阵U'相乘得到降维后的数据样(n)本x' ;
将降维后的数据样本输入至神经网络模型,得到模型的输出向量,计算输出向量与实际值向量之间的误差函数,采用误差函数对神经网络模型的权重矩阵、偏置项、以及投影中间矩阵进行更新,完成神经网络模型的训练;
将网络异常测试数据经过投影矩阵降维后,输入至训练好的神经网络模型中,模型输出的结果即为网络异常检测结果。