[發(fā)明專利]一種BGP異常檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201811331848.7
• 申請日: 2018-11-09
• 公開（公告）號: CN109257383B
• 公開（公告）日: 2021-09-21
• 發(fā)明（設(shè)計）人: 王娜;杜學(xué)繪;戴仙波;任志宇;王文娟;單棣斌;楊智;劉敖迪;李少卓
• 申請（專利權(quán)）人: 中國人民解放軍戰(zhàn)略支援部隊信息工程大學(xué)
• 主分類號: H04L29/06
• 分類號: H04L29/06
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 古利蘭;王寶筠

1.一種BGP異常檢測方法，其特征在于，所述方法包括：

獲取異常數(shù)據(jù)集，并針對所述異常數(shù)據(jù)集進行特征提取，得到特征集；

對所述異常數(shù)據(jù)集進行數(shù)據(jù)標準化處理；

采用Fisher-Markov Selector特征選擇算法，從所述特征集中選擇出能同時最大化類間距離和最小化類內(nèi)距離的特征，并得到各個特征度量分類能力的特征權(quán)值；

采用曼哈頓距離和特征權(quán)值優(yōu)化高斯核函數(shù)，并基于所述高斯核函數(shù)構(gòu)造支持向量機模型，其中，所述曼哈頓距離作為高斯核函數(shù)中衡量兩個向量之間的距離測度方法；

基于網(wǎng)格搜索與交叉驗證對所述支持向量機模型進行參數(shù)尋優(yōu)，其中包括：將所述支持向量機所依賴的一對參數(shù)[C,gamma]的搜索范圍按照參數(shù)取值劃分成網(wǎng)格，所述網(wǎng)格中的每個點代表一種參數(shù)組合方案；在每一個網(wǎng)格點，把總的訓(xùn)練集平均分成N個子集，其中N-1個子集作為訓(xùn)練集，余下1個子集用作測試集；每次用測試集去測試訓(xùn)練后的支持向量機模型會得到一個分類準確率，當所述N個子集都做過測試集后，取N折交叉驗證分類準確率的平均值，遍歷所述網(wǎng)格內(nèi)所有點，取分類準確率平均值最大的點作為對應(yīng)的性能最優(yōu)的[C,gamma]；

通過特征效率函數(shù)來度量支持向量機模型分類準確率和支持向量機模型訓(xùn)練時間之間的關(guān)系，以確定最優(yōu)特征子集；

所述特征效率函數(shù)如下：

其中，h(n)是關(guān)于特征數(shù)量n的特征效率函數(shù)；f(n)是模型分類準確率關(guān)于特征數(shù)量n的函數(shù)；g(n)是模型訓(xùn)練時間關(guān)于特征數(shù)量n的函數(shù)；使h(n)取得最大值的點n₀叫做模型的最優(yōu)點，根據(jù)特征權(quán)值排序，TOPn₀即為最優(yōu)特征子集。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取異常數(shù)據(jù)集包括：

從自治系統(tǒng)中獲取異常數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述異常數(shù)據(jù)集進行數(shù)據(jù)標準化處理包括：

采用樣本均值代替總體均值，采用樣本標準差代替總體標準差。

4.一種BGP異常檢測系統(tǒng)，其特征在于，包括：

獲取模塊，用于獲取異常數(shù)據(jù)集，并針對所述異常數(shù)據(jù)集進行特征提取，得到特征集；

處理模塊，用于對所述異常數(shù)據(jù)集進行數(shù)據(jù)標準化處理；

第一確定模塊，用于采用Fisher-Markov Selector特征選擇算法從所述特征集中選擇出能同時最大化類間距離和最小化類內(nèi)距離的特征，并得到各個特征度量分類能力的特征權(quán)值；

優(yōu)化模塊，用于采用曼哈頓距離和特征權(quán)值優(yōu)化高斯核函數(shù)，其中，所述曼哈頓距離作為高斯核函數(shù)中衡量兩個向量之間的距離測度方法；

所述系統(tǒng)還用于，基于所述高斯核函數(shù)構(gòu)造支持向量機模型，所述高斯核函數(shù)構(gòu)造支持向量機模型；

尋優(yōu)模塊，用于基于網(wǎng)格搜索與交叉驗證對所述支持向量機模型進行參數(shù)尋優(yōu)，其中包括：將所述支持向量機所依賴的一對參數(shù)[C,gamma]的搜索范圍按照參數(shù)取值劃分成網(wǎng)格，所述網(wǎng)格中的每個點代表一種參數(shù)組合方案；在每一個網(wǎng)格點，把總的訓(xùn)練集平均分成N個子集，其中N-1個子集作為訓(xùn)練集，余下1個子集用作測試集；每次用測試集去測試訓(xùn)練后的支持向量機模型會得到一個分類準確率，當所述N個子集都做過測試集后，取N折交叉驗證分類準確率的平均值，遍歷所述網(wǎng)格內(nèi)所有點，取分類準確率平均值最大的點作為對應(yīng)的性能最優(yōu)的[C,gamma]；

第二確定模塊，用于通過特征效率函數(shù)來度量支持向量機模型分類準確率和支持向量機模型訓(xùn)練時間之間的關(guān)系，以確定最優(yōu)特征子集；

所述特征效率函數(shù)如下：

其中，h(n)是關(guān)于特征數(shù)量n的特征效率函數(shù)；f(n)是模型分類準確率關(guān)于特征數(shù)量n的函數(shù)；g(n)是模型訓(xùn)練時間關(guān)于特征數(shù)量n的函數(shù)；使h(n)取得最大值的點n₀叫做模型的最優(yōu)點，根據(jù)特征權(quán)值排序，TOPn₀即為最優(yōu)特征子集。

5.根據(jù)權(quán)利要求4所述的系統(tǒng)，其特征在于，所述獲取模塊具體用于：

從自治系統(tǒng)中獲取異常數(shù)據(jù)集。

6.根據(jù)權(quán)利要求4所述的系統(tǒng)，其特征在于，所述處理模塊具體用于：

采用樣本均值代替總體均值，采用樣本標準差代替總體標準差。