[發明專利]基于深度學習的網絡安全評估方法、系統、設備及介質

有效

• 申請號: 202210980096.7
• 申請日: 2022-08-16
• 公開（公告）號: CN115086082B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 林興武;羅明凌;劉暢
• 申請（專利權）人: 四川公眾項目咨詢管理有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/08;G06N3/04
• 代理公司: 成都君合集專利代理事務所(普通合伙) 51228
• 代理人: 尹新路

1.一種基于深度學習的網絡安全評估方法，其特征在于，包括以下步驟：

步驟1：將采集到的網絡數據進行預處理；

步驟2：建立卷積神經網絡模型，提取預處理后的網絡數據的特征；

步驟3：建立門控循環神經網絡模型，提取網絡數據的特征中的異常網絡數據特征，計算異常網絡數據的網絡安全態勢值；

步驟4：在門控循環神經網絡模型的輸出層之間設置隱藏層，當隱藏層接收到正向傳播的異常網絡數據時，門控循環神經網絡模型更新隱藏層的權重，反向傳播異常網絡數據，抵抗異常網絡數據的攻擊；

所述步驟1具體包括以下步驟：

步驟11：利用One-Hot編碼將采集到的網絡數據的離散型特征轉化為數值型特征；

步驟12：將經過One-Hot編碼特征轉化后的數值型特征進行標準化處理；

步驟13：將標準化處理后的網絡數據的數值型特征進行歸一化處理；

所述步驟2的具體操作為：建立擁有輸入層、卷積層、池化層、全連接層的卷積神經網絡模型，首先將歸一化處理后網絡數據的特征數值以序列為單位進行記錄，并對每一條記錄嵌入表示的數值型特征進行卷積處理，得到卷積處理后的數值型特征，然后將在不同大小的卷積核中進行卷積操作處理后的數值型特征進行疊加，得到網絡數據的數值型特征的特征序列，最后，池化層減少從卷積層獲取的網絡數據的數值型特征的特征序列的參數數量，將網絡數據的數值型特征的特征序列矩陣分為N個特征子矩陣，并通過正向傳播傳遞給卷積神經網絡模型的全連接層輸出；

所述步驟3的具體操作為：首先建立擁有輸入層、嵌入層、輸出層的門控循環神經網絡模型，其次，根據從卷積神經網絡模型的全連接層接收到的網絡數據的數值型特征的N個特征子矩陣，分配網絡數據中屬性不同的特征概率權重，然后，對異常網絡數據進行特征提取，識別出異常網絡數據的特征類型；最后，計算出異常網絡數據的機密性、異常網絡數據的可用性、異常網絡數據的完整性的和，用異常網絡數據的機密性、異常網絡數據的可用性、異常網絡數據的完整性的和表示異常網絡數據影響值，根據異常網絡數據影響值計算異常網絡數據的網絡安全態勢值；

所述步驟4的具體操作為：在門控循環神經網絡模型的輸出層之間設置隱藏層，并將隱藏層的權重設置為0，當所有異常網絡數據影響值通過正向傳播到達隱藏層時，輸出值計算為0；當提取到異常網絡數據時，服務器會檢測到入侵并返回學習率參數，門控循環神經網絡模型反向傳播更新隱藏層權重，并根據返回的學習率參數改變門控循環神經網絡模型的學習率抵抗異常網絡數據的攻擊。

2.如權利要求1所述的一種基于深度學習的網絡安全評估方法，其特征在于，所述步驟11的具體操作為：首先確定出網絡數據的數據范圍，然后確定出網絡數據變量分類的值的類別，最后將網絡數據變量分類的值映射為整數值，并將每個整數值轉化為二進制向量。

3.如權利要求2所述的一種基于深度學習的網絡安全評估方法，其特征在于，所述步驟11中在將整數值轉化為二進制向量時，將整數值的索引標記為1，非整數的索引標記為0。

4.如權利要求1所述的一種基于深度學習的網絡安全評估方法，其特征在于，所述步驟12的具體操作為：將經過One-Hot編碼轉化后的數值型特征和n個數值型特征的平均值的差值與每個數值型特征和n個數值型特征差值的平均值的絕對偏差的比值作為標準化處理后的數值型特征。

5.如權利要求1所述的一種基于深度學習的網絡安全評估方法，其特征在于，所述步驟13的具體操作為：將標準化處理后的網絡數據的數值型特征進行線性變換，將網絡數據統一映射到[0,1]區間上。