[發(fā)明專利]基于深度學(xué)習(xí)的流量異常檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 201711228968.X
• 申請日: 2017-11-29
• 公開（公告）號: CN107948166B
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 汪建;王沛文;詹先;廖小文
• 申請（專利權(quán)）人: 廣東億迅科技有限公司
• 主分類號: H04L29/06
• 分類號: H04L29/06
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 葛勤

1.一種基于深度學(xué)習(xí)的流量異常檢測方法，其特征在于：包括訓(xùn)練流程和預(yù)測流程，

訓(xùn)練流程包括，

S10)、獲取歷史的網(wǎng)絡(luò)流量數(shù)據(jù)；

S20)、對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分段處理，統(tǒng)計(jì)每段網(wǎng)絡(luò)流量數(shù)據(jù)；

S30)、對分段處理的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分類，一類為正常網(wǎng)絡(luò)流量數(shù)據(jù)，另一類為異常網(wǎng)絡(luò)流量數(shù)據(jù)；

S40)、分別對正常網(wǎng)絡(luò)流量數(shù)據(jù)與異常網(wǎng)絡(luò)流量數(shù)據(jù)作標(biāo)識；

S50)、將網(wǎng)絡(luò)流量數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型進(jìn)行訓(xùn)練，得到一個深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型；

所述深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型設(shè)有4層，為依次連接的輸入層、第一隱層、第二隱層、輸出層，輸入層設(shè)有5個神經(jīng)元，第一隱層設(shè)有8個神經(jīng)元，第二隱層設(shè)有8個神經(jīng)元，輸出層設(shè)有2個神經(jīng)元；所述輸入層的神經(jīng)元與第一隱層的神經(jīng)元相互連接，所述第一隱層的神經(jīng)元與所述第二隱層的神經(jīng)元相互連接，所述第二隱層的神經(jīng)元與所述輸出層的神經(jīng)元相互連接；

所述預(yù)測流程包括，

S70)、將待預(yù)測的網(wǎng)絡(luò)流量數(shù)據(jù)導(dǎo)入深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型；

S80)、深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型計(jì)算出網(wǎng)絡(luò)流量異常的概率；

S90)、分別輸出網(wǎng)絡(luò)流量正常與異常的概率。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的流量異常檢測方法，其特征在于，步驟S20，對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分段處理的時間間隔相同。

3.如權(quán)利要求1所述的基于深度學(xué)習(xí)的流量異常檢測方法，其特征在于，所述步驟S50后還包括步驟，

S60)、將深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型生成保存文件進(jìn)行保存。

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的流量異常檢測方法，其特征在于：以t時刻為當(dāng)前時刻，將t到t-4時刻的流量數(shù)據(jù)從輸入層輸入深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型。

5.一種基于深度學(xué)習(xí)的流量異常檢測裝置，其特征在于，它包括：

數(shù)據(jù)獲取模塊，用于獲取歷史的網(wǎng)絡(luò)流量數(shù)據(jù)；

數(shù)據(jù)處理模塊，用于對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分段處理，統(tǒng)計(jì)每段網(wǎng)絡(luò)流量數(shù)據(jù)；

數(shù)據(jù)分類模塊，用于對分段處理的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分類，一類為正常網(wǎng)絡(luò)流量數(shù)據(jù)，另一類為異常網(wǎng)絡(luò)流量數(shù)據(jù)；

數(shù)據(jù)標(biāo)識模塊，用于分別對正常網(wǎng)絡(luò)流量數(shù)據(jù)與異常網(wǎng)絡(luò)流量數(shù)據(jù)作標(biāo)識；

深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型，用于將網(wǎng)絡(luò)流量數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型進(jìn)行訓(xùn)練，得到一個深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型；

所述深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型設(shè)有4層，為依次連接的輸入層、第一隱層、第二隱層、輸出層，輸入層設(shè)有5個神經(jīng)元，第一隱層設(shè)有8個神經(jīng)元，第二隱層設(shè)有8個神經(jīng)元，輸出層設(shè)有2個神經(jīng)元；所述輸入層的神經(jīng)元與第一隱層的神經(jīng)元相互連接，所述第一隱層的神經(jīng)元與所述第二隱層的神經(jīng)元相互連接，所述第二隱層的神經(jīng)元與所述輸出層的神經(jīng)元相互連接；

數(shù)據(jù)導(dǎo)入模塊，用于將待預(yù)測的網(wǎng)絡(luò)流量數(shù)據(jù)導(dǎo)入深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型；

深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型，用于計(jì)算出網(wǎng)絡(luò)流量異常的概率；

輸出層，分別輸出網(wǎng)絡(luò)流量正常與異常的概率。

6.如權(quán)利要求5所述的基于深度學(xué)習(xí)的流量異常檢測裝置，其特征在于，它包括：

數(shù)據(jù)處理模塊，用于對網(wǎng)絡(luò)流量數(shù)據(jù)按相同的時間間隔進(jìn)行分段處理。

7.如權(quán)利要求5所述的基于深度學(xué)習(xí)的流量異常檢測裝置，其特征在于，它包括：

文件保存模塊，用于將深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型生成保存文件進(jìn)行保存。

8.如權(quán)利要求5所述的基于深度學(xué)習(xí)的流量異常檢測裝置，其特征在于，它包括：

數(shù)據(jù)輸入模塊，用于以t時刻為當(dāng)前時刻，將t到t-4時刻的流量數(shù)據(jù)從輸入層輸入深度神經(jīng)網(wǎng)絡(luò)流量訓(xùn)練模型。