[發明專利]集成學習模型構建方法、識別方法及裝置、服務器和介質

在審

• 申請號: 202010725443.2
• 申請日: 2020-07-24
• 公開（公告）號: CN111901330A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 高甲;王慶龍;亓一航
• 申請（專利權）人: 中移（杭州）信息技術有限公司;中國移動通信集團有限公司
• 主分類號: H04L29/06
• 分類號: H04L29/06;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 上海晨皓知識產權代理事務所(普通合伙) 31260
• 代理人: 成麗杰

1.一種集成學習模型構建方法，所述集成學習模型用于識別不平衡入侵行為，其特征在于，包括：

選取m個深度神經網絡DNN模型作為所述集成學習模型的弱學習器；其中，每個所述DNN模型分別用于對待檢測網絡數據進行訓練并輸出m個預測結果，m為正整數；

將所述m個預測結果拼接后作為元模型的輸入；

將所述元模型的預測結果作為所述集成學習模型的最終預測結果。

2.根據權利要求1所述的構建方法，其特征在于，還包括采用以下步驟對所述元模型的超參數進行優化：

獲取待優化的超參數組合；

給所述超參數組合中的每個超參數初始化一組具有預設間距的候選值，得到所述超參數組合的若干組超參數候選值；

計算并得到各組超參數候選值對應的最大模型準確率；

對所述最大模型準確率對應的一組超參數候選值中的每一個超參數候選值，在其領域內選取間距縮小后的一組候選值，以得到間距縮小后的若干組超參數候選值；

重復上述縮小超參數候選值以搜索最大模型準確率的步驟直到搜索到的模型準確率滿足預設條件；

將滿足所述預設停止條件時的最大模型準確率對應的候選值作為所述元模型的待優化的超參數組合中的各個超參數的超參數值。

3.根據權利要求2所述的構建方法，其特征在于，所述在其領域內選取間距縮小后的一組候選值，包括：

按照預設倍數縮小間距以得到間距縮小后的一組候選值。

4.根據權利要求2所述的構建方法，其特征在于，所述預設停止條件為：

當前得到的最大模型準確率小于或者等于歷史得到的最大模型準確率。

5.根據權利要求2所述的構建方法，其特征在于，所述超參數包括重采樣比例。

6.根據權利要求1至5中任一項所述的構建方法，其特征在于，所述元模型為LightGBM。

7.一種不平衡入侵行為識別方法，其特征在于，包括：

獲取待檢測網絡數據；

將所述待檢測網絡數據輸入如權利要求1至6中任一項所述的集成學習模型進行訓練后得到預測結果。

8.一種集成學習模型構建裝置，所述集成學習模型用于識別不平衡入侵行為，其特征在于，包括：

選取模塊，用于選取m個深度神經網絡DNN模型作為所述集成學習模型的弱學習器；其中，每個所述DNN模型分別用于對待檢測網絡數據進行訓練并輸出m個預測結果，m為正整數；

拼接模塊，用于將所述m個預測結果拼接后作為元模型的輸入；

元計算模塊，用于將所述元模型的預測結果作為所述集成學習模型的最終預測結果。

9.一種服務器，其特征在于，包括：存儲器和處理器，存儲器存儲計算機程序，處理器運行所述計算機程序以實現如權利要求1至7中任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機可讀程序，所述計算機可讀程序用于供計算機執行如權利要求1至7中任一項所述的方法。