[發(fā)明專利]網(wǎng)絡(luò)安全態(tài)勢的感知方法和裝置及感知模型訓(xùn)練方法和裝置

有效

• 申請?zhí)枺?/td>: 201710178579.4
• 申請日: 2017-03-23
• 公開（公告）號: CN106953862B
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計）人: 張錋;毛澍;李彥慶;張晶晶
• 申請（專利權(quán)）人: 全球能源互聯(lián)網(wǎng)研究院有限公司;國家電網(wǎng)有限公司;國網(wǎng)江蘇省電力公司信息通信分公司
• 主分類號: H04L29/06
• 分類號: H04L29/06;G06N3/08
• 代理公司: 北京三聚陽光知識產(chǎn)權(quán)代理有限公司 11250
• 代理人: 吳黎

本發(fā)明公開了一種基于Tensorflow和Docker的網(wǎng)絡(luò)安全態(tài)勢的感知方法和裝置及感知模型訓(xùn)練方法和裝置，該感知模型訓(xùn)練方法包括：獲取歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)；采用所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)訓(xùn)練預(yù)設(shè)的網(wǎng)絡(luò)安全態(tài)勢感知模型，所述網(wǎng)絡(luò)安全態(tài)勢感知模型包括運行在Docker容器內(nèi)的Tensorflow寬度和深度學(xué)習(xí)子模型；判斷所述網(wǎng)絡(luò)安全態(tài)勢感知模型的訓(xùn)練結(jié)果是否達到預(yù)期；當(dāng)未達到預(yù)期時，重復(fù)執(zhí)行所述獲取歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)的步驟至所述采用所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)訓(xùn)練預(yù)設(shè)的網(wǎng)絡(luò)安全態(tài)勢感知模型的步驟，直至所述網(wǎng)絡(luò)安全態(tài)勢感知模型的訓(xùn)練結(jié)果達到預(yù)期。由此，能夠高效的處理海量網(wǎng)絡(luò)數(shù)據(jù)，從而有效地進行網(wǎng)絡(luò)安全態(tài)勢的感知。

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，具體涉及一種基于Tensorflow和Docker的網(wǎng)絡(luò)安全態(tài)勢的感知方法和裝置及感知模型訓(xùn)練方法和裝置。

背景技術(shù)

隨著信息技術(shù)和網(wǎng)絡(luò)的快速發(fā)展，計算機網(wǎng)絡(luò)的資源共享愈發(fā)開放普及，隨之而來的是信息安全問題日益突出。網(wǎng)絡(luò)安全威脅的范圍和內(nèi)容不斷擴大和演化，網(wǎng)絡(luò)安全形勢與挑戰(zhàn)日益嚴(yán)峻復(fù)雜，感知網(wǎng)絡(luò)安全態(tài)勢成為十分迫切的需要。然而由于網(wǎng)絡(luò)數(shù)據(jù)的數(shù)量十分龐大，如何根據(jù)海量數(shù)據(jù)來感知網(wǎng)絡(luò)安全態(tài)勢，成為困擾技術(shù)人員的難題。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于，由于網(wǎng)絡(luò)數(shù)據(jù)的數(shù)量十分龐大，難以根據(jù)海量的網(wǎng)絡(luò)數(shù)據(jù)來感知網(wǎng)絡(luò)安全態(tài)勢。

為此，本發(fā)明實施例提供了一種基于Tensorflow和Docker的網(wǎng)絡(luò)安全態(tài)勢的感知模型訓(xùn)練方法，包括：獲取歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)；采用所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)訓(xùn)練預(yù)設(shè)的網(wǎng)絡(luò)安全態(tài)勢感知模型，所述網(wǎng)絡(luò)安全態(tài)勢感知模型包括運行在Docker容器內(nèi)的Tensorflow寬度和深度學(xué)習(xí)子模型；判斷所述網(wǎng)絡(luò)安全態(tài)勢感知模型的訓(xùn)練結(jié)果是否達到預(yù)期；當(dāng)未達到預(yù)期時，重復(fù)執(zhí)行所述獲取歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)的步驟至所述采用所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)訓(xùn)練預(yù)設(shè)的網(wǎng)絡(luò)安全態(tài)勢感知模型的步驟，直至所述網(wǎng)絡(luò)安全態(tài)勢感知模型的訓(xùn)練結(jié)果達到預(yù)期。

優(yōu)選的，所述獲取歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)包括：采用管道通訊機制獲取所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)。

優(yōu)選的，所述網(wǎng)絡(luò)安全態(tài)勢感知模型還包括分布式集群子模型。

優(yōu)選的，所述Tensorflow寬度和深度學(xué)習(xí)子模型中包括PReLU激活函數(shù)和Softmax損失函數(shù)。

本發(fā)明實施例還提供了一種基于Tensorflow和Docker的網(wǎng)絡(luò)安全態(tài)勢感知方法，包括：獲取當(dāng)前網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)；根據(jù)所述當(dāng)前網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)，通過預(yù)設(shè)的網(wǎng)絡(luò)安全態(tài)勢感知模型獲取當(dāng)前網(wǎng)絡(luò)態(tài)勢，其中所述網(wǎng)絡(luò)安全態(tài)勢感知模型是使用上述任一種網(wǎng)絡(luò)安全態(tài)勢感知模型訓(xùn)練方法訓(xùn)練并達到預(yù)期訓(xùn)練結(jié)果的模型。

本發(fā)明實施例還提供了一種基于Tensorflow和Docker的網(wǎng)絡(luò)安全態(tài)勢感知模型訓(xùn)練裝置，包括：歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)獲取單元，用于獲取所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)；模型訓(xùn)練單元，用于采用所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)訓(xùn)練預(yù)設(shè)的網(wǎng)絡(luò)安全態(tài)勢感知模型，所述網(wǎng)絡(luò)安全態(tài)勢感知模型包括運行在Docker容器內(nèi)的Tensorflow寬度和深度學(xué)習(xí)子模型；訓(xùn)練結(jié)果判斷單元，用于判斷所述網(wǎng)絡(luò)安全態(tài)勢感知模型的訓(xùn)練結(jié)果是否達到預(yù)期，以及當(dāng)所述訓(xùn)練結(jié)果未達到預(yù)期時，跳轉(zhuǎn)到所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)獲取單元。

優(yōu)選的，所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)獲取單元還用于：采用管道通訊機制獲取所述歷史網(wǎng)絡(luò)態(tài)勢要素數(shù)據(jù)。

優(yōu)選的，所述網(wǎng)絡(luò)安全態(tài)勢感知模型還包括分布式集群子模型。

優(yōu)選的，所述Tensorflow寬度和深度學(xué)習(xí)子模型中包括PReLU激活函數(shù)和Softmax損失函數(shù)。