[發明專利]基于自適應滑動窗口GAN的用戶行為安全檢測方法

有效

• 申請號: 202110242716.2
• 申請日: 2021-03-05
• 公開（公告）號: CN113011476B
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 陶曉玲;陳隆生;趙峰;盧深;符廉銪;強保華
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 桂林文必達專利代理事務所(特殊普通合伙) 45134
• 代理人: 張學平

1.一種基于自適應滑動窗口GAN的用戶行為安全檢測方法，其特征在于，包括以下步驟：

利用Spark平臺對獲取的用戶數據進行并行化處理，并使用GAN分別訓練不同時間窗口下的正常用戶行為模型；

利用當前窗口長度處理獲取的待檢測數據，并將當前時刻的所述待檢測數據與上一時刻數據做屬性相似度計算；

利用所述正常用戶行為模型根據計算出的相似度值進行檢測，并將得到的異常評分與設定的閾值進行比較，判斷當前時間段是否正常；

利用當前窗口長度處理獲取的待檢測數據，并將當前時刻的所述待檢測數據與上一時刻數據做屬性相似度計算，包括：

步驟一：對用戶數據進行歸一化處理，并且初始化k為1；

對于數據x的歸一化公式：x＝(x-min)/(max-min)，max代表該項數據的最大值，min代表該項數據的最小值；

步驟二：對于待檢測的數據D_i，根據k長度大小劃分處理D_i，并根據方法similar(D_i-k，D_(i-1)-k)計算屬性相似度，similar(D_i-k，D_(i-1)-k)為相似度計算函數；

具體為：計算當前時刻數據與上一時刻數據在時間窗口為k的情況下的屬性相似度：首先將兩矩陣展平成向量，然后計算向量的乘積除以模長，其中，G為GAN的生成器，Di為待檢測數據，G(Z)為生成器生成數據，D為GAN的判別器；其中，k代表當前檢測的時間窗口長度，threshold代表異常得分判斷閾值，similar threshold代表屬性相似度判斷的閾值；

利用所述正常用戶行為模型根據計算出的相似度值進行檢測，并將得到的異常評分與設定的閾值進行比較，判斷當前時間段是否正常，包括：

若屬性相似度高于設定的閾值，則選取當前窗口大小處理數據和相應窗口大小的GAN用戶行為安全檢測模型進行異常檢測，當前窗口大小k加1；若屬性相似度低于設定的閾值，則分別結算從當前窗口大小遞減到1時的各個屬性相似度，并選取屬性相似度最低的窗口大小處理數據，并選取相應窗口大小的GAN用戶行為安全檢測模型進行異常檢測，并更新窗口大小k為選取值；具體步驟為：

如果similar(D_i-k，D_(i-1)-k)＞similar threshold，即選取當前k作為檢測窗口長度，調用GAN-detection(Di，k)進行異常檢測，通過GAN-detection(Di，k)返回的異常得分與異常得分判斷閾值threshold作比較，若大于threshold，則表明該時刻用戶行為出現了異常；反正則表明該時刻用戶行為是正常的；k遞增1；反之，則進行異常判斷；

GAN-detection(Di，k)：代表對與Di數據使用時間窗口長度為k訓練的GAN模型進行檢測，檢測異常結果返回的是該行為的異常得分，GAN-detection(Di，k)為GAN異常檢測算法；

異常得分計算方式：A(x)＝(1-λ)R(x)+λD(x)；

R(x)＝代表重構誤差，D(x)代表判別器誤差，λ取0.9；

重構誤差：利用生成模型，來判斷生成數據G(Z)跟真實數據x的差異；首先通過訓練好的生成模型根據噪聲Z迭代500次盡可能生成最接近x的G(Z)，然后通過計算G(Z)和x的數據層面的loss：LR(Z)＝∑|x-G(Z)|得到重構誤差；

判別器誤差:從判別器的角度來確定生成樣本G(Z)與真實樣本x的差異；通過計算G(Z)和x在D的中間層的特征層面上的loss：LD(Z)＝∑|x-G(Z)|作為判別器誤差；

異常判斷：j分別取1到5的長度計算異常得分，選取取到最小的similar(Di-j，D(i-1)-j)時的j作為檢測窗口長度，然后調用GAN-detection(Di-j，j)進行異常檢測，然后將得到的異常得分與異常得分判斷閾值threshold作比較，若大于threshold，則表明該時刻用戶行為出現了異常；反正則表明該時刻用戶行為是正常的，k更新為j。

2.如權利要求1所述的基于自適應滑動窗口GAN的用戶行為安全檢測方法，其特征在于，利用Spark平臺對獲取的用戶數據進行并行化處理，并使用GAN分別訓練不同時間窗口下的正常用戶行為模型，包括：

利用Spark平臺對獲取的用戶數據進行并行化處理，并對每個所述用戶數據進行屬性提取和歸一化處理；

基于設定的數據時間段，構建對應的訓練集，并基于所述訓練集，利用GAN分別對時間窗口長度為1、2、3、4、5的正常用戶行為模型。