[發明專利]一種融合通信網絡流量異常檢測方法及系統

有效

• 申請號: 202110078910.1
• 申請日: 2021-01-21
• 公開（公告）號: CN112396135B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 焦顯偉;陶子元
• 申請（專利權）人: 北京電信易通信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02;G06N20/00;H04L29/06
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

本發明涉及一種融合通信網絡流量異常檢測方法及系統。該方法包括：獲取融合通信網絡的流量數據；根據所述流量數據，基于K折交叉驗證，采用非貪婪教與學優化算法確定網絡流量異常檢測模型；根據待檢測的融合通信網絡的網絡狀態數據、協議分析數據以及業務運行狀態數據，采用所述網絡異常檢測模型，確定所述待檢測的融合通信網絡的網絡流量狀態。本發明提升融合通信網絡流量異常檢測的準確性。

技術領域

本發明涉及融合通信網絡和機器學習領域，特別是涉及一種融合通信網絡流量異常檢測方法及系統。

背景技術

隨著通信技術和信息技術的發展，通信網絡的類型日益復雜，網絡規模不斷擴大，基于IP網絡的融合通信業務不斷增加，融合通信技術和信息技術的融合通信已經成為當前電信運營商的重要發展方向之一。融合通信以IP通信為基礎，以VoIP、視頻通信、多媒體會議、協同辦公以及即時通信等為核心業務能力，為用戶提供隨時隨地接入網絡享有統一通信的各種服務。融合通信網絡業務眾多，各業務的穩定良好運行非常重要，相應的網絡安全問題也更加突出。因此，針對融合通信網絡的安全技術研究對于融合通信網絡的發展意義重大。

在目前眾多的網絡安全技術中，網絡流量異常檢測技術為網絡攻擊的攔截提供了有效保障，是解決網絡安全問題的首要技術手段之一。因此，針對融合通信網絡的流量異常檢測技術為融合通信網絡業務的可用性和安全性提供了重要的保障基礎。現有流量異常檢測方法主要可以分為基于特征規則的檢測方法、基于統計分析的檢測方法和基于機器學習的檢測方法。隨著機器學習技術的迅猛發展，機器學習技術由于其靈活和智能的特點在流量異常檢測中被廣泛應用。

對于基于機器學習的異常檢測方法，機器學習算法參數是影響異常檢測性能的關鍵因素。例如機器學習中的支持向量機（SVM）方法，由于具有堅實的理論基礎，并適合處理高維非線性數據，在機器學習技術中扮演非常重要的作用。在實際應用中，SVM方法中的核函數和自由參數是決定其性能的關鍵因素。通常，SVM方法的核函數選用徑向基函數（RBF），基于RBF核函數的SVM方法的兩個關鍵影響因素是懲罰系數和核寬。懲罰系數用于控制對誤判樣本的懲罰程度，在模型復雜度和數據誤擬合之間權衡：懲罰系數越大，對誤判樣本懲罰程度越大，可能導致過多支持向量而出現過擬合，泛化能力較差；反之，懲罰系數越小，對誤判樣本懲罰程度越小，可能使模型過于簡單而出現欠擬合，結構風險較大。核寬決定著數據映射后的特征空間，從而影響SVM方法的性能。由此可見，懲罰系數和核寬分別從不同的方面影響著SVM方法的性能。不失一般性地，機器學習算法的參數對于算法的性能都非常重要，因此優化機器學習算法參數的選取對基于機器學習的異常檢測方法至關重要。

目前，常用的優化機器學習算法參數的方法主要有：實驗選取、網格搜索和梯度下降。實驗選取方法全憑經驗，缺乏理論指導，選取的參數不一定是最優的。網格搜索方法需要首先設置合理的搜索區間界限和間隔步長將搜索區間網格劃分，對所有格點進行窮舉驗證，然后選取驗證效果最好的一組參數作為最優參數。該方法雖然在一定程度上能夠獲得較優的參數組合，但搜索效率低下且難以設置合理的搜索區間界限和間隔步長。梯度下降方法對初始值的選擇非常敏感，初始值設置不合理將難以獲得最優參數。因此需要設計高效的優化算法進行參數優化選取。

近年來，群智能優化算法因其良好的全局尋優能力和尋優效率在學術界和工業界受到廣泛關注，且被應用于機器學習方法的參數優化選取問題。教與學優化算法是一種模擬學生在班級中的學習過程的優化算法，因其全局尋優能力強和優化精度高的特點被應用于各個領域。但當面對復雜的優化問題時，該算法可能會陷入局部最優，因此亟需一種新的優化算法降低其陷入局部最優的可能性，從而在機器學習算法的參數優化中能夠獲得最優參數，有效提高算法的性能，提升融合通信網絡流量異常檢測的準確性。

發明內容

本發明的目的是提供一種融合通信網絡流量異常檢測方法及系統，提升融合通信網絡流量異常檢測的準確性。

為實現上述目的，本發明提供了如下方案：

一種融合通信網絡流量異常檢測方法，包括：