[發(fā)明專利]一種基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110472804.1
• 申請(qǐng)日: 2021-04-29
• 公開（公告）號(hào): CN113259331B
• 公開（公告）日: 2022-10-11
• 發(fā)明（設(shè)計(jì)）人: 杜海舟;王士維
• 申請(qǐng)（專利權(quán)）人: 上海電力大學(xué)
• 主分類號(hào): H04L9/40
• 分類號(hào): H04L9/40;G06N20/00;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 南京禹為知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

1.一種基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：包括，

基于深度學(xué)習(xí)構(gòu)建初始分類模型，并利用Softmax分類器對(duì)所述初始分類模型進(jìn)行初始訓(xùn)練；

通過未知檢測(cè)模塊判斷輸入的數(shù)據(jù)流量樣本為已知類別還是未知類別，而后自動(dòng)標(biāo)記未知類別的流量樣本特征，并將所述流量樣本特征添加到網(wǎng)絡(luò)更新模塊和緩沖區(qū)模塊；

通過網(wǎng)絡(luò)更新模塊更新訓(xùn)練所述初始分類模型，將所述未知類別轉(zhuǎn)換為所述已知類別；

通過緩沖區(qū)模塊存儲(chǔ)所述未知類別的流量樣本特征和標(biāo)簽，當(dāng)輸入流量樣本被檢測(cè)為所述未知類別時(shí)，將所述輸入流量樣本與緩沖區(qū)模塊的未知類別的流量樣本再次進(jìn)行比較，若在緩沖區(qū)中發(fā)現(xiàn)流量樣本特征為所述已知類別，則輸出流量樣本所屬的類；否則，添加流量樣本至所述緩沖區(qū)模塊。

2.如權(quán)利要求1所述的基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：構(gòu)建所述初始分類模型包括，

所述初始分類模型包括卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)，利用交叉熵作為初始分類模型的損失函數(shù)，根據(jù)所述損失函數(shù)并利用Softmax分類器對(duì)所述初始分類模型進(jìn)行初始訓(xùn)練。

3.如權(quán)利要求2所述的基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：判斷輸入的數(shù)據(jù)流量樣本包括，

根據(jù)下式計(jì)算每個(gè)流量樣本特征f_i與每個(gè)類別原型p_j之間的歐氏距離，獲得距離分布矩陣Dist：

基于平均距離分布矩陣構(gòu)建閾值函數(shù)，根據(jù)所述閾值函數(shù)判別輸入的數(shù)據(jù)流量樣本為已知類別還是未知類別；

其中，i＝1，…，S為每一批特征的流量樣本數(shù)，j＝1，…，n為原型的類別數(shù)，ε為設(shè)置的參數(shù)。

4.如權(quán)利要求3所述的基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：所述閾值函數(shù)包括，

ρ_i＝λ*θ_i

其中，θ_i為閾值，M_ij為類別j的第i個(gè)被正確分類的流量樣本的最大置信度值，z為正確分類的流量樣本集個(gè)數(shù)，λ為經(jīng)驗(yàn)參數(shù)；

當(dāng)流量樣本的所有置信度值都小于閾值ρ_i時(shí)，則認(rèn)為該流量樣本是未知的。

5.如權(quán)利要求4所述的基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：還包括，

利用Kmeans聚類策略對(duì)未知類別的流量樣本進(jìn)行聚類，并將每類流量樣本的權(quán)重添加到初始分類模型的網(wǎng)絡(luò)層中，以輔助初始分類模型的訓(xùn)練與更新。

6.如權(quán)利要求5所述的基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：更新訓(xùn)練所述初始分類模型包括，

在每次迭代訓(xùn)練時(shí)對(duì)得到的原型與新流量樣本特征之間的距離分布進(jìn)行均值歸一化，獲得權(quán)重分布[α₁，α₂，α₃，...，α_H，α_H+1，...，，α_H+G]；

其中[α₁，α₂，α₃，...，α_H]為已知類別的權(quán)重分布，[α_H+1，...，，α_H+G]為未知類別的權(quán)重分布，且

將所述未知類別的權(quán)重分別添加到初始分類模型的最后一層，完成對(duì)初始分類模型的更新訓(xùn)練。

7.如權(quán)利要求6所述的基于增量學(xué)習(xí)的未知異常流量在線檢測(cè)方法，其特征在于：所述緩沖區(qū)模塊包括，

假設(shè)在第T次檢測(cè)時(shí)發(fā)現(xiàn)了m種新類別，緩沖區(qū)模塊中包含的信息如下式：

其中，B_T是第T次檢測(cè)時(shí)緩沖區(qū)的信息f_u是未知流量樣本U的特征，l_u是U的類別標(biāo)簽，W_T代表第T次的權(quán)重向量。