[發明專利]基于核自編碼器的模型訓練方法、裝置及存儲介質

在審

• 申請號: 201910348033.8
• 申請日: 2019-04-28
• 公開（公告）號: CN111860552A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 龍春;肖喜生;魏金俠;趙靜;楊帆
• 申請（專利權）人: 中國科學院計算機網絡信息中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;H04L29/06
• 代理公司: 北京知舟專利事務所(普通合伙) 11550
• 代理人: 郭韞

1.一種基于核自編碼器的模型訓練方法，其特征在于，包括：

通過核自編碼器的編碼模塊，基于核PCA對樣本特征進行降維處理，得到樣本數據對應的隱層數據，并將所述隱層數據作為分類器的輸入數據；

通過核自編碼器的解碼模塊，基于核回歸處理得到所述樣本的解碼數據，并將所述解碼數據作為所述分類器的輸出數據；

基于所述輸入數據和所述輸出數據，構建所述分類器的損失函數；

根據所述損失函數，對所述分類器進行訓練。

2.根據權利要求1所述的基于核自編碼器的模型訓練方法，其特征在于，所述基于所述輸入數據和所述輸出數據，構建所述分類器的損失函數，包括：

計算所述輸入數據和所述輸出數據之間的差值；

將所述差值的模值，與正則化項相加，得到所述分類器的損失函數。

3.根據權利要求1或2所述的基于核自編碼器的模型訓練方法，其特征在于，所述根據所述損失函數，對所述分類器進行訓練，包括：

基于正則化結構風險最小化策略，將所述損失函數的值取最小值，對所述分類器進行訓練。

4.根據權利要求1所述的基于核自編碼器的模型訓練方法，其特征在于，所述方法還包括：

當樣本特征維度大于80維時，基于核PCA對樣本特征進行降維處理后的特征維度小于原特征維度的三分之一；或，

當樣本特征維度小于或等于80維時，基于核PCA對樣本特征進行降維處理后的特征維度小于原特征維度的二分之一。

5.根據權利要求1所述的基于核自編碼器的模型訓練方法，其特征在于，所述分類器用于進行網絡入侵檢測，所述方法還包括：

將網絡流量輸入所述分類器，進行網絡安全入侵檢測；

響應于檢測到存在入侵風險，截斷當前網絡流量并啟動相應的入侵修復方案。

6.一種基于核自編碼器的模型訓練裝置，其特征在于，包括：

編碼模塊，用于通過核自編碼器的編碼模塊，基于核PCA對樣本特征進行降維處理，得到樣本數據對應的隱層數據，并將所述隱層數據作為分類器的輸入數據；

解碼模塊，用于通過核自編碼器的解碼模塊，基于核回歸處理得到所述樣本的解碼數據，并將所述解碼數據作為所述分類器的輸出數據；

構建模塊，用于基于所述輸入數據和所述輸出數據，構建所述分類器的損失函數；

訓練模塊，用于根據所述損失函數，對所述分類器進行訓練。

7.根據權利要求6所述的基于核自編碼器的模型訓練裝置，其特征在于，

所述構建模塊，還用于計算所述輸入數據和所述輸出數據之間的差值；并將所述差值的模值，與正則化項相加，得到所述分類器的損失函數。

8.根據權利要求6或7所述的基于核自編碼器的模型訓練裝置，其特征在于，

所述訓練模塊，還用于基于正則化結構風險最小化策略，將所述損失函數的值取最小值，對所述分類器進行訓練。

9.根據權利要求6所述的基于核自編碼器的模型訓練裝置，其特征在于，

所述編碼模塊，還用于當樣本特征維度大于80維時，基于核PCA對樣本特征進行降維處理后的特征維度小于原特征維度的三分之一；或，當樣本特征維度小于或等于80維時，基于核PCA對樣本特征進行降維處理后的特征維度小于原特征維度的二分之一。

10.根據權利要求6所述的基于核自編碼器的模型訓練裝置，其特征在于，

所述裝置還包括：

所述訓練模塊訓練的所述分類器用于進行網絡入侵檢測；

檢測模塊，用于將網絡流量輸入所述分類器，進行網絡安全入侵檢測；并且，響應于檢測到存在入侵風險，截斷當前網絡流量并啟動相應的入侵修復方案。

11.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現權利要求1-5所述方法的步驟。