[發明專利]基于級聯深度神經網絡的應用層惡意請求檢測方法及系統

有效

• 申請號: 202010092028.8
• 申請日: 2020-02-14
• 公開（公告）號: CN111327608B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 周芳芳;馬小龍;胡東籬;陳冉飛;趙穎
• 申請（專利權）人: 中南大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 楊萍

1.一種基于級聯深度神經網絡的應用層惡意請求檢測方法，其特征在于，包括以下步驟：

步驟1、構建應用層用戶請求樣本集S，其中每個樣本s_i包括一條應用層用戶請求x_i及其真實類別標簽，類別標簽包括正常請求和惡意請求；

步驟2、將樣本集中的應用層用戶請求x_i進行數據預處理，得到預處理后的結果

步驟3、選擇不同網絡結構的深度神經網絡模型c_j，構建得到未訓練的深度神經網絡模型集合C；

步驟4、對于C中的每個深度神經網絡模型c_j，設定相應的損失函數l_j；將樣本預處理后的結果作為c_j的輸入，輸出樣本的預測結果；根據樣本真實類別標簽和其預測結果計算相應的損失函數值；基于梯度下降反向傳播算法更新c_j的參數，完成c_j的訓練，得到訓練好的深度神經網絡模型

由不同網絡結構的訓練好的深度神經網絡模型構建得到訓練好的深度神經網絡模型集合

步驟5、基于步驟4的中的構建級聯深度神經網絡M；

步驟6、將步驟2中的樣本預處理后的結果作為輸入級聯深度神經網絡M，輸出其預測結果；基于設定的損失函數L，根據樣本真實類別標簽和其預測結果計算相應的損失函數值；基于反向傳播算法更新M中的參數，得到訓練好的級聯深度神經網絡

步驟7、對于待檢測的應用層用戶請求x′，先對其進行數據預處理得到結果再將輸入步驟6中訓練好的級聯深度神經網絡輸出其預測結果，從而判斷該待檢測的應用層用戶請求是否為惡意請求。

2.根據權利要求1所述的基于級聯深度神經網絡的應用層惡意請求檢測方法，其特征在于，所述步驟3中，選擇的不同網絡結構的深度神經網絡模型包括卷積神經網絡、Transformer神經網絡以及門控循環神經網絡。

3.根據權利要求1所述的基于級聯深度神經網絡的應用層惡意請求檢測方法，其特征在于，所述步驟4中，損失函數l_j為以降低漏報率為目標的代價敏感損失函數，即：

其中，N為樣本數量，r_j為深度神經網絡模型c_j對于惡意請求的代價權重系數，r_j＞0.5；c為應用層用戶請求數據樣本集S中真實標簽為惡意請求的樣本占總樣本的比例，y_i為第i個樣本為惡意請求的真實概率，為第i個樣本為惡意請求的預測概率。

4.根據權利要求1所述的基于級聯深度神經網絡的應用層惡意請求檢測方法，其特征在于，所述步驟5中，綜合各度量指標確定級聯深度神經網絡M中訓練好的深度神經網絡模型的位置排布策略，具體步驟為：

首先，計算的位置分數p_j：

其中，metric_k為第k個度量指標，k＝1,2,…,K，K為度量指標數量；weight_k為metric_k對應的權重，其根據度量指標的重要性進行設定，取值范圍為(0,1]；為關于metric_k的數值，Normalization（)為歸一化函數；

然后，將中的所有深度神經網絡模型按照其對應p_j的數值大小由大到小排序，排序后所處位置即其在級聯深度神經網絡M中的位置。

5.根據權利要求1所述的基于級聯深度神經網絡的應用層惡意請求檢測方法，其特征在于，所述步驟5中，將M中已進行位置排布的深度神經網絡模型Q提取的特征按照“特征繼承”的方式進行連接，具體為：從開始，將提取的特征進行拼接，作為的最終特征，用于輸入中的分類網絡進行分類；其中Q為M中深度神經網絡模型的數量。