[發明專利]一種跨域異常流量檢測方法、系統、電子設備和存儲介質

在審

• 申請號: 202011106714.2
• 申請日: 2020-10-15
• 公開（公告）號: CN112241742A
• 公開（公告）日: 2021-01-19
• 發明（設計）人: 陳雙武;彭雨荷;楊堅;張勇東;姜曉楓
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 周天宇

1.一種跨域異常流量檢測方法，其基于ALexNet神經網絡基礎對源域與目標域流量特征進行遷移，其特征在于，方法包括：

S1，將源域流量集與目標域流量集分別轉換為圖像流量，得到源域流量及目標域流量；

S2，采用第一數量的卷積層對所述源域流量及所述目標域流量進行特征提取，得到所述源域流量與目標域流量之間的共有特征；

S3，采用第二數量的卷積層對所述源域流量及所述目標域流量進行特征提取，得到所述源域流量與所述目標域流量之間的特有特征，所述特有特征包括屬于所述源域流量的第一特有特征以及屬于所述目標域流量的第二特有特征；

S4，將所述共有特征及所述第一特有特征作為源域特征，將所述共有特征及所述第二特有特征作為目標域特征，采用第三數量的全連接層分別計算所述源域特征與所述目標域特征之間的相似度，分別得到第三數量的特征距離；

S5，判斷所述第三數量的特征距離與所述ALexNet神經網絡的損失函數數值之和是否大于等于一閾值；若是，調整所述第二數量的卷積層及所述第三數量的全連接層的相應權值，并重復所述S3-S4步驟；否則，執行S6步驟；

S6，采用所述源域流量對所述ALexNet神經網絡進行訓練，并利用訓練后的所述ALexNet神經網絡對所述目標域流量進行分類，得到異常流量。

2.根據權利要求1所述的跨域異常流量檢測方法，其特征在于，所述S2包括：

S21，采用第一卷積層對所述源域流量及所述目標域流量進行特征提取，得到第一共有特征；

S22，采用第二卷積層對所述第一共有特征進行特征提取，得到第二共有特征；

S23，采用第三卷積層對所述第二共有特征進行特征提取，得到所述共有特征。

3.根據權利要求1所述的跨域異常流量檢測方法，其特征在于，所述S3包括：

S31，采用第四卷積層對所述源域流量及所述目標域流量進行特征提取，得到所述源域流量與目標域流量之間的特有特征；

S32，采用第五卷積層對所述特有特征提取，得到屬于所述源域流量的第一特有特征及屬于所述目標域流量的第二特有特征。

4.根據權利要求1所述的跨域異常流量檢測方法，其特征在于，所述S4包括：

S41，采用第一全連接層將所述共有特征及所述第一特有特征作為源域特征，將所述共有特征及所述第二特有特征作為目標域特征，并計算所述源域特征與所述目標域特征之間的相似度，得到第一特征距離；

S42，采用第二全連接層計算所述源域特征與所述目標域特征之間的相似度，得到第二特征距離；

S43，采用第三全連接層計算所述源域特征與所述目標域特征之間的相似度，得到第三特征距離。

5.根據權利要求1或4所述的跨域異常流量檢測方法，其特征在于，所述S4中采用第三數量的全連接層分別計算所述源域特征與所述目標域特征之間的相似度，包括：

將所述源域特征與所述目標域特征進行最大平均差異計算，得到所述源域特征與所述目標域特征之間的特征距離。

6.根據權利要求1所述的跨域異常流量檢測方法，其特征在于，所述源域流量為有標簽的網絡流量，所述目標域流量為無標簽的網絡流量，其中，所述S6包括：

采用所述源域流量對所述ALexNet神經網絡進行訓練；

利用訓練后的所述ALexNet神經網絡對所述目標域流量進行分類，得到所述目標域流量的標簽；

根據所述目標域流量的標簽識別出該目標域流量是否為異常流量。