[發明專利]網絡異常檢測方法、裝置及計算機可讀存儲介質

在審

• 申請號: 202110867664.8
• 申請日: 2021-07-29
• 公開（公告）號: CN113538288A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 陳朋;周武卿
• 申請（專利權）人: 中移（杭州）信息技術有限公司;中國移動通信集團有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/30;G06K9/62;G06N3/04;G06N3/08;H04L29/06
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

本發明公開了一種網絡異常檢測方法、裝置及計算機可讀存儲介質，所述網絡異常檢測方法包括：獲取待檢測數據包；將所述待檢測數據包中的數據轉換為灰度圖像；根據所述灰度圖像以及目標卷積神經網絡模型確定所述待檢測數據包對應的狀態值，其中，所述狀態值包括正常狀態值或者異常狀態值；在所述狀態值為異常狀態值時，判定所述待檢測數據包為異常數據請求對應的數據包。本發明能夠提高網絡異常檢測方式的魯棒性。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種網絡異常檢測方法、裝置及計算機可讀存儲介質。

背景技術

網絡攻擊的主要方式有SQL注入攻擊、跨站腳本攻擊以及網頁掛馬攻擊等。為檢測網絡是否遭受到攻擊發生異常，當前通常采用的網絡異常檢測方式是基于規則匹配的檢測方式，該方式首先需要檢測人員設置好檢測規則，然后對報文進行逐條匹配，該方法需要針對黑客的攻擊特點找出正則匹配的算法，同時需要不斷的對規則庫進行更新升級，以滿足不斷變化的攻擊類型。但是，由于該檢測方式需要不斷的對規則庫進行更新升級，難以適應不斷變化的網絡攻擊類型，使得這種網絡異常檢測方式的魯棒性較差。

發明內容

本發明的主要目的在于提供一種網絡異常檢測方法、裝置及計算機可讀存儲介質，旨在提高網絡異常檢測方式的魯棒性。

為實現上述目的，本發明提供一種網絡異常檢測方法，所述網絡異常檢測方法包括：

獲取待檢測數據包；

將所述待檢測數據包中的數據轉換為灰度圖像；

根據所述灰度圖像以及目標卷積神經網絡模型確定所述待檢測數據包對應的狀態值，其中，所述狀態值包括正常狀態值或者異常狀態值；

在所述狀態值為異常狀態值時，判定所述待檢測數據包為異常數據請求對應的數據包。

在一實施例中，所述目標卷積神經網絡模型包括輸入層、卷積層、最大池化層、空間金字塔池化層、全連接層、分類層以及輸出層，所述輸入層用于輸入所述灰度圖像，所述卷積層用于提取所述灰度圖像的特征得到特征圖，并將所述特征圖輸入至所述最大池化層，所述最大池化層用于壓縮所述特征圖，并將壓縮后的所述特征圖輸入至所述空間金字塔池化層，所述空間金字塔池化層用于將壓縮后的所述特征圖的尺寸統一為預設尺寸，并將統一尺寸后的所述特征圖輸入至所述全連接層，所述全連接層用于對統一尺寸后的所述特征圖進行加權計算，并將加權計算后的所述特征圖輸入至分類層，所述分類層用于根據加權計算后的所述特征圖確定所述待檢測數據包對應的狀態值，并將所述狀態值輸入至所述輸出層輸出。

在一實施例中，所述根據所述灰度圖像以及目標卷積神經網絡模型確定所述待檢測數據包對應的狀態值的步驟之前，還包括：

獲取預設卷積神經網絡模型以及訓練數據包，其中，所述訓練數據包包括正常數據請求對應的數據包以及異常數據請求對應的數據包；

將所述訓練數據包中的數據轉換為灰度圖像；

通過所述訓練數據包對應的灰度圖像訓練所述預設卷積神經網絡模型得到目標卷積神經網絡模型。

在一實施例中，所述通過所述訓練數據包對應的灰度圖像訓練所述預設卷積神經網絡模型得到目標卷積神經網絡模型的步驟包括：

通過所述訓練數據包對應的灰度圖像訓練所述預設卷積神經網絡模型；

獲取訓練后的所述預設卷積神經網絡模型檢測異常數據請求對應的數據包的檢測誤差；

在所述檢測誤差小于預設閾值時，將訓練后的所述預設卷積神經網絡模型確定為所述目標卷積神經網絡模型；

在所述檢測誤差大于或等于所述預設閾值時，調整所述預設卷積神經網絡模型的訓練參數，并返回執行所述通過所述訓練數據包對應的灰度圖像訓練所述預設卷積神經網絡模型的步驟。