[發(fā)明專利]基于深度學習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）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

本發(fā)明提供了一種基于深度學習的流量異常檢測方法及裝置，所述方法通過對網(wǎng)絡(luò)流量數(shù)據(jù)進行分段處理，對分段的流量數(shù)據(jù)進行統(tǒng)計，分類出正常與異常的流量數(shù)據(jù)，并分別對正常與異常流量數(shù)據(jù)進行標識，將標識的流量數(shù)據(jù)導(dǎo)入深度神經(jīng)網(wǎng)絡(luò)流量訓練模型進行學習，得到一個深度神經(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)測模型實現(xiàn)異常流量的預(yù)測判斷，克服了傳統(tǒng)人工監(jiān)控和閾值預(yù)警的低效率及延遲長的缺點，并且深度神經(jīng)網(wǎng)絡(luò)能自己從大量數(shù)據(jù)中提取有用的數(shù)據(jù)特征，避免了人工對流量數(shù)據(jù)特征提取困難的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種流量異常檢測方法及裝置，尤其是指一種基于深度學習的流量異常檢測方法及裝置。

背景技術(shù)

對于網(wǎng)絡(luò)系統(tǒng)，用戶的網(wǎng)絡(luò)流量具有不確定性，系統(tǒng)可能因為內(nèi)部問題導(dǎo)致訪問流量下降，也可能受到網(wǎng)絡(luò)攻擊而導(dǎo)致流量大增。這些不常規(guī)的流量暫且稱為異常流量，對于異常流量的檢測，傳統(tǒng)的處理方式主要是通過人工監(jiān)控或系統(tǒng)設(shè)置閾值進行預(yù)警。人工監(jiān)控和閾值預(yù)警機制效率低、延遲長且閾值不容易確定。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：流量異常檢測的準確率不高的問題。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種基于深度學習的流量異常檢測方法，包括訓練流程和預(yù)測流程，

訓練流程包括，

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)進行分段處理，統(tǒng)計每段網(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)流量訓練模型進行訓練，得到一個深度神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型；

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。

優(yōu)選地，步驟S20，對網(wǎng)絡(luò)流量數(shù)據(jù)進行分段處理的時間間隔相同。

優(yōu)選地，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行保存。

優(yōu)選地，所述深度神經(jīng)網(wǎng)絡(luò)流量訓練模型設(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。

優(yōu)選地，以t時刻為當前時刻，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)流量訓練模型。

為解決上述技術(shù)問題，本發(fā)明采用的另一個技術(shù)方案為：一種基于深度學習的流量異常檢測裝置，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)進行分段處理，統(tǒng)計每段網(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)作標識；