[發明專利]基于逐層損失補償深度自編碼器的態勢評估要素提取方法有效

申請號：	202110521277.9	申請日：	2021-05-13
公開（公告）號：	CN113408722B	公開（公告）日：	2022-06-21
發明（設計）人：	陶曉玲;劉梓毅;趙峰;劉潤蓉;符鐮銪;歐陽逸夫	申請（專利權）人：	桂林電子科技大學
主分類號：	G06N3/08	分類號：	G06N3/08;G06K9/62
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
地址：	541004 廣西***	國省代碼：	廣西;45
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	基于損失補償深度編碼器態勢評估要素提取方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明公開了一種基于逐層損失補償深度自編碼器的態勢評估要素提取方法，將獲取的部分網絡安全數據集輸入逐層損失補償編碼器進行降維與特征提取，并將編碼后的態勢評估要素特征信息傳遞給解碼器進行解碼還原，其中，編碼器部分利用損失補償模塊對編碼時的所述態勢評估要素特征信息的損失進行補償，生成逐層損失補償深度自編碼器；通過最小化MSE損失函數評估還原數據與原始輸入數據差異實現模型訓練；利用訓練好的所述逐層損失補償深度自編碼器對整體數據進行態勢評估要素提取，得到評估因素集，提高網絡安全態勢評估的性能，減少深度自編碼器在層與層間的態勢評估要素特征信息損失，保證影響態勢評估要素提取的有效性。

技術領域

本發明涉及網絡安全態勢要素提取技術領域，尤其涉及一種基于逐層損失補償深度自編碼器的態勢評估要素提取方法。

背景技術

當前網絡環境下態勢評估原始數據呈現多特征、高維度和非線性等特點，基于數學模型、知識推理和機器學習的態勢評估要素提取方法，面對多特征、高維度的非線性數據處理能力有一定的局限性，導致態勢評估要素提取不精準、效率不高等問題；采用深度神經網絡對原始數據進行要素提取的過程中，隨著數據維度降低，逐層的特征信息損失也不斷加劇，最終影響態勢評估要素提取的有效性。

發明內容

本發明的目的在于提供一種基于逐層損失補償深度自編碼器的態勢評估要素提取方法，保證影響態勢評估要素提取的有效性。

為實現上述目的，本發明提供了一種基于逐層損失補償深度自編碼器的態勢評估要素提取方法，包括以下步驟：

將獲取的網絡安全數據集輸入逐層損失補償編碼器進行降維與特征提取，并利用損失補償模塊對編碼時的所述態勢評估要素特征信息的損失進行補償，生成逐層損失補償深度自編碼器；

利用對應的解碼器對所述逐層損失補償編碼器的編碼數據進行還原，同時，通過最小化MSE損失函數評估還原數據與原始數據差異，對所述逐層損失補償深度自編碼器進行訓練；

利用訓練好的所述逐層損失補償深度自編碼器對整體數據進行態勢評估要素提取，得到評估因素集。

其中，所述方法還包括：

獲取網絡安全態勢感知原始數據，對采集后的原始數據進行數據預處理，得到所述數據集。

其中，所述方法還包括：

判斷所述數據集中的所有所述原始數據是否提取完成；

若是，則完成對所述逐層損失補償深度自編碼器的訓練；

若否，則利用所述數據集中的下一個所述原始數據對所述逐層損失補償深度自編碼器進行訓練，直至所有的所述原始數據使用完。