[發明專利]攻擊報文的識別方法及裝置

在審

• 申請號: 201711296401.6
• 申請日: 2017-12-08
• 公開（公告）號: CN107819790A
• 公開（公告）日: 2018-03-20
• 發明（設計）人: 郭大鵬
• 申請（專利權）人: 中盈優創資訊科技有限公司
• 主分類號: H04L29/06
• 分類號: H04L29/06;G06N3/02
• 代理公司: 北京三友知識產權代理有限公司11127
• 代理人: 王天堯

1.一種攻擊報文的識別方法，其特征在于，包括：

獲取預設場景的待識別報文；

將獲取的預設場景的待識別報文轉換成報文圖像矩陣；

將待識別報文的報文圖像矩陣輸入預設場景的卷積神經網絡模型，識別所述待識別報文；所述卷積神經網絡模型根據預設場景的多個攻擊報文樣本生成。

2.如權利要求1所述的攻擊報文的識別方法，其特征在于，還包括：

采集實時識別出的預設場景的攻擊報文；

在確定實時采集到的預設場景的攻擊報文不存在于歷史攻擊報文樣本中時，將實時采集到的預設場景的攻擊報文生成實時攻擊報文樣本；

根據預設場景的實時攻擊報文樣本和存儲的歷史攻擊報文樣本，訓練所述卷積神經網絡模型。

3.如權利要求2所述的攻擊報文的識別方法，其特征在于，將實時采集到的預設場景的攻擊報文生成實時攻擊報文樣本，包括：

將預設場景的攻擊報文樣本字符串轉換成1936維度的向量，生成實時攻擊報文樣本；

根據預設場景的實時攻擊報文樣本和存儲的歷史攻擊報文樣本，訓練所述卷積神經網絡模型，包括：

將多個預設場景的實時攻擊報文樣本和存儲的歷史攻擊報文樣本生成訓練樣本矩陣、訓練樣本類型矩陣、測試樣本矩陣和測試樣本類型矩陣；

利用訓練樣本矩陣、訓練樣本類型矩陣、測試樣本矩陣和測試樣本類型矩陣訓練所述卷積神經網絡模型。

4.如權利要求1所述的攻擊報文的識別方法，其特征在于，所述卷積神經網絡模型包括：

第一卷積層，用于對報文圖像做卷積操作；所述第一卷積層的函數根據預設場景進行確定；

第一池化層，用于將進行卷積操作之后的報文圖像的圖像特征進行聚合；

第一隱含層，用于對圖像特征聚合之后的報文圖像數據進行降維處理。

5.如權利要求4所述的攻擊報文的識別方法，其特征在于，所述卷積神經網絡模型還包括：

第二卷積層，用于對經過第一卷積層卷積操作后的報文圖像做進一步卷積操作；

第二池化層，用于將經過第一池化層圖像特征聚合之后的報文圖像做進一步圖像特征聚合；

第二隱含層，用于對經過第一隱含層降維處理之后的報文圖像，做進一步降維處理。

6.一種攻擊報文的識別裝置，其特征在于，包括：

獲取單元，用于獲取預設場景的待識別報文；

轉換單元，用于將獲取的預設場景的待識別報文轉換成報文圖像矩陣；

識別單元，用于將待識別報文的報文圖像矩陣輸入預設場景的卷積神經網絡模型，識別所述待識別報文；所述卷積神經網絡模型根據預設場景的多個攻擊報文樣本生成。

7.如權利要求6所述的攻擊報文的識別裝置，其特征在于，還包括：

采集單元，用于采集實時識別出的預設場景的攻擊報文；

攻擊報文樣本生成單元，用于在確定實時采集到的預設場景的攻擊報文不存在于歷史攻擊報文樣本中時，將實時采集到的預設場景的攻擊報文生成實時攻擊報文樣本；

訓練單元，用于根據預設場景的實時攻擊報文樣本和存儲的歷史攻擊報文樣本，訓練所述卷積神經網絡模型。

8.如權利要求7所述的攻擊報文的識別裝置，其特征在于，所述攻擊報文樣本生成單元具體用于：將預設場景的攻擊報文樣本字符串轉換成1936維度的向量，生成實時攻擊報文樣本；

所述訓練單元具體用于：

將多個預設場景的實時攻擊報文樣本和存儲的歷史攻擊報文樣本生成訓練樣本矩陣、訓練樣本類型矩陣、測試樣本矩陣和測試樣本類型矩陣；

利用訓練樣本矩陣、訓練樣本類型矩陣、測試樣本矩陣和測試樣本類型矩陣訓練所述卷積神經網絡模型。

9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至5任一所述方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有執行權利要求1至5任一所述方法的計算機程序。