1.一种数据流量入侵检测网络模型生成方法,其特征在于,所述方法包括:
获取历史训练集以及初代入侵检测网络模型,所述历史训练集包括正常训练集和异常训练集;
对所述历史训练集进行一次数据增强,生成一次增强后的数据集;所述对所述历史训练集进行一次数据增强,生成一次增强后的数据集,包括:获取初代基于长短期记忆神经网络的条件生成对抗网络数据平衡模型;根据所述初代基于长短期记忆神经网络的条件生成对抗网络数据平衡模型对所述历史训练集进行一次数据增强,生成一次增强后的数据集以及一次训练后的基于长短期记忆神经网络的条件生成对抗网络数据平衡模型;
基于所述一次增强后的数据集以及所述历史训练集,对所述初代入侵检测网络模型进行一次训练,得到一次训练后的入侵检测网络模型,并获取实时流量样本;所述基于所述一次增强后的数据集以及所述历史训练集,对所述初代入侵检测网络模型进行一次训练,得到一次训练后的入侵检测网络模型,并获取实时流量样本包括:根据所述一次增强后的数据集以及所述历史训练集,得到平衡数据集;基于所述平衡数据集对所述初代入侵检测网络模型进行一次训练,得到一次训练后的入侵检测网络模型;基于历史测试集对所述一次训练后的入侵检测网络模型进行校验,得到校验结果;根据所述校验结果,对一次训练后的入侵检测网络模型进行优化,更新一次训练后的入侵检测网络模型,并获取实时流量样本;
根据所述一次训练后的入侵检测网络模型对所述实时流量样本进行入侵检测,得到正常数据集、已知异常数据集与未知异常数据集;
对所述历史训练集、所述正常数据集、所述已知异常数据集与所述未知异常数据集进行二次数据增强,生成二次增强的流量样本;所述对所述历史训练集、所述正常数据集、所述已知异常数据集与所述未知异常数据集进行二次数据增强,生成二次增强的流量样本包括:根据所述历史训练集、所述正常数据集、所述已知异常数据集与所述未知异常数据集,得到二次训练数据集;根据所述一次训练后的基于长短期记忆神经网络的条件生成对抗网络数据平衡模型对所述二次训练数据集进行二次数据增强,生成二次增强的流量样本;
基于所述二次增强的流量样本以及所述实时流量样本,对所述一次训练后的入侵检测网络模型进行二次训练,得到目标入侵检测网络模型。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取历史流量样本;
对所述历史流量样本进行标签添加处理,得到携带已知类别标签的历史样本集;
对所述历史样本集进行划分,得到历史训练集以及历史测试集。
3.根据权利要求2所述的方法,其特征在于,所述获取历史流量样本,包括:
获取终端发送的加密的历史流量样本;
对所述加密的历史流量样本进行解密,得到解密后的历史流量样本集中历史流量样本。
4.根据权利要求2所述的方法,其特征在于,所述对所述历史流量样本进行标签添加处理,得到携带已知类别标签的历史样本集,包括:去除所述历史流量样本中每条样本的属性中无效属性;
对去除无效属性后的所述历史流量样本中,每条样本的属性中字符型特征进行独热编码处理,得到携带已知类别标签的历史样本集。
5.一种数据流量入侵检测方法,其特征在于,基于权利要求1-4任意一项方法建立的目标入侵检测网络模型,所述方法包括:获取待测数据流量;
采用目标入侵检测网络模型对所述待测数据流量进行入侵检测,得到正常数据流量以及异常数据流量;
当所述异常数据流量达到预设数量阈值时,对所述正常数据流量以及所述异常数据流量进行数据增强,得到增强的流量样本;
根据所述增强的流量样本、所述正常数据流量以及所述异常数据流量,更新所述目标入侵检测网络模型;
返回获取待测数据流量,采用目标入侵检测网络模型对待测数据流量进行入侵检测,得到正常数据流量以及异常数据流量的步骤。
6.一种数据流量入侵检测网络模型生成装置,其特征在于,所述装置包括:
初始数据获取模块,用于获取历史训练集以及初代入侵检测网络模型,所述历史训练集包括正常训练集和异常训练集;
一次数据增强模块,用于对所述历史训练集进行一次数据增强,生成一次增强后的数据集;所述对所述历史训练集进行一次数据增强,生成一次增强后的数据集,包括:获取初代基于长短期记忆神经网络的条件生成对抗网络数据平衡模型;根据所述初代基于长短期记忆神经网络的条件生成对抗网络数据平衡模型对所述历史训练集进行一次数据增强,生成一次增强后的数据集以及一次训练后的基于长短期记忆神经网络的条件生成对抗网络数据平衡模型;
模型一次训练模块,用于基于所述一次增强后的数据集以及所述历史训练集,对所述初代入侵检测网络模型进行一次训练,得到一次训练后的入侵检测网络模型,并获取实时流量样本;所述基于所述一次增强后的数据集以及所述历史训练集,对所述初代入侵检测网络模型进行一次训练,得到一次训练后的入侵检测网络模型,并获取实时流量样本包括:根据所述一次增强后的数据集以及所述历史训练集,得到平衡数据集;基于所述平衡数据集对所述初代入侵检测网络模型进行一次训练,得到一次训练后的入侵检测网络模型;基于历史测试集对所述一次训练后的入侵检测网络模型进行校验,得到校验结果;根据所述校验结果,对一次训练后的入侵检测网络模型进行优化,更新一次训练后的入侵检测网络模型,并获取实时流量样本;
一次入侵检测模块,用于根据所述一次训练后的入侵检测网络模型对所述实时流量样本进行入侵检测,得到正常数据集、已知异常数据集与未知异常数据集;
二次数据增强模块,用于对所述历史训练集、所述正常数据集、所述已知异常数据集与所述未知异常数据集进行二次数据增强,生成二次增强的流量样本;所述对所述历史训练集、所述正常数据集、所述已知异常数据集与所述未知异常数据集进行二次数据增强,生成二次增强的流量样本包括:根据所述历史训练集、所述正常数据集、所述已知异常数据集与所述未知异常数据集,得到二次训练数据集;根据所述一次训练后的基于长短期记忆神经网络的条件生成对抗网络数据平衡模型对所述二次训练数据集进行二次数据增强,生成二次增强的流量样本;
目标模型生成模块,用于基于所述二次增强的流量样本以及所述实时流量样本,对所述一次训练后的入侵检测网络模型进行二次训练,得到目标入侵检测网络模型。
7.根据权利要求6所述的装置,其特征在于,还包括标签处理模块,所述标签处理模块用于获取历史流量样本;对所述历史流量样本进行标签添加处理,得到携带已知类别标签的历史样本集;对所述历史样本集进行划分,得到历史训练集以及历史测试集。
8.一种数据流量入侵检测装置,其特征在于,基于权利要求1-4任意一项方法建立的目标入侵检测网络模型,所述装置包括:待测数据获取模块,用于获取待测数据流量数据;
流量入侵检测模块,用于采用目标入侵检测网络模型对所述待测数据流量数据进行入侵检测,得到正常数据流量数据以及异常数据流量数据;
数据实时增强模块,用于当所述异常数据流量达到预设数量阈值时,对所述正常数据流量以及所述异常数据流量进行数据增强,得到增强的流量样本;
模型实时更新模块,用于根据所述增强的流量样本、所述正常数据流量以及所述异常数据流量,更新所述目标入侵检测网络模型;
实时入侵检测模块,用于返回获取待测数据流量,采用目标入侵检测网络模型对所述待测数据流量进行入侵检测,得到正常数据流量以及异常数据流量的步骤。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。