欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022107475928
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,包括:

步骤1,对网络流量数据进行流量计算,形成网络流量特征记录;

步骤2,对网络流量特征记录中的非数值型特征进行独热编码处理,对网络特征流量记录中的数值型特征进行归一化处理,得到网络流特征数据;

步骤3,将网络流特征数据输入特征聚合模块,对流特征向量进行多维度的特征空间映射至低维度的特征空间,得到聚合网络流量特征;

步骤4,聚合网络流量特征映射到卷积空间,将聚合网络流量特征卷积压缩进入隐藏空间,得到聚合网络流量特征的隐藏特征向量;

步骤5,将隐藏特征向量对隐藏空间进行反卷积回溯,经过维度扩张后形成重构回溯空间;

步骤6,将重构回溯空间进行卷积压缩进入隐藏空间,重构回溯空间压缩后得到新的隐藏特征向量;

步骤7,计算步骤4得到的隐藏特征向量和步骤6得到的新的隐藏特征向量之间的欧式距离,若欧式距离>阈值,则该网络流量是异常流量,若欧式距离≤阈值,则该网络流量是正常流量。

2.根据权利要求1所述的基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,步骤2中对数值型特征使用最值归一化处理,具体为:将数值型特征的最大值和最小值成比例映射入[0,1]范围中,公式如下:其中,为x经过最值归一化处理后的值,x为原始值,min(x)为数值型特征的最小值,max(x)为数值型特征的最大值。

3.根据权利要求1所述的基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,步骤3中的特征聚合模块包括一层编码器,所述编码器的神经元参数为77*32,将流特征向量映射为32维的特征向量。

4.根据权利要求1所述的基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,步骤4中的卷积空间包括两个卷积维度压缩模块和一个反卷积升维模块。

5.根据权利要求4所述的基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,所述卷积维度压缩模块包括四层卷积网络层,前三层卷积网络层的网络结构相同,卷积核的大小为4、BatchNorm1d和LeakyRelu,第四层卷积网络层的卷积核大小为4,卷积维度压缩模块输出batch*100*1的隐藏特征向量。

6.根据权利要求4所述的基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,所述反卷积升维模块包括四层反卷积网络层,前三层反卷积网络层的网络结构相同,卷积核的大小依次为4、BatchNorm1d和LeakyRelu,第四层反卷积网络层的卷积核是反卷积层加上Tanh函数,反卷积升维模块输出batch*1*32的回溯空间。

7.根据权利要求1所述的基于生成对抗网络的半监督网络流量异常检测方法,其特征在于,步骤7中的欧式距离使用归一化均方误差计算,公式为:其中,yi代表第i个样本的特征值, 代表第i个样本的最大特征值, 代表第i个样本的最小特征值, 表示第i号样本特征的均值, 表示第i号样本特征的最小值,表示第i号样本特征的最大值,n表示样本的总数。