[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

本發明提出基于深度學習的網絡安全評估方法、系統、設備及介質，首先通過建立卷積神經網絡模型，初步提取網絡數據特征，然后通過建立門控循環神經網絡模型，進一步提取網絡數據特征中的異常網絡數據特征，最后，在門控循環神經網絡模型的輸出層之間設置隱藏層，當門控循環神經網絡進行訓練時訓練過程會繞過隱藏層，異常網絡數據無法獲取隱藏層的工作原理，無法對隱藏層進行攻擊，通過反向傳播過程更新隱藏層的權重，將參數上傳至參數服務器時，通過返回的學習率參數改變門控循環神經網絡模型的學習率實現對異常網絡數據攻擊的抵抗，同時收斂速度快、準確率高、誤報率低。

技術領域

本發明涉及安全評估技術領域，具體地說，涉及基于深度學習的網絡安全評估方法、系統、設備及介質。

背景技術

網絡數據在傳輸運行過程中容易受到DOS攻擊和DDOS攻擊，目前網絡安全設備在對網絡數據進行采集檢測時，存在無效報警或者誤報的情況，導致很難選出有價值的檢測信息維護網絡安全。不同于傳統的防御手段，網絡安全態勢感知可以在傳感器上收集網絡數據并快速提取，發現并識別出危險行為，綜合分析各種與安全相關的要素，對網絡的安全狀況進行評估。

網絡安全態勢感知是對網絡的安全狀態進行感知，包括對網絡數據進行提取、評估和預測。其中，網絡安全態勢要素提取與評估是網絡安全態勢感知的基礎，為維護網絡安全提供基礎。對于各種安全問題，網絡數據的特征提取與評估可以根據網絡的結構、安全設施的類型、網絡攻擊的威脅類型等要素，將相關技術應用于網絡的安全防護中，提升網絡的安全性。在網絡安全態勢要素提取與評估中，很多研究都是在BP神經網絡的基礎上進行改進，從而提升了評估的性能。

神經網絡包括傳統神經網絡和深層神經網絡，深層的神經網絡又被稱為深度學習。傳統神經網絡中一般運用BP算法讓神經網絡模型在大量的樣本數據中學習統計規律。卷積神經網絡能夠捕獲網絡數據的局部特征信息，相較于傳統的神經網絡，卷積的運算過程不僅可以提取原數據的特征，還解決了傳統神經網絡因參數過多導致無法計算的問題。但是，卷積神經網絡缺乏對網絡數據的上下文信息特征的獲取，在對網絡安全進行評估時存在準確率低、誤報率高，且難以抵抗異常網絡數據攻擊的問題。

發明內容

本發明針對卷積神經網絡缺乏對網絡數據的上下文信息特征的獲取，在對網絡安全進行評估時存在準確率低、誤報率高，且難以抵抗異常網絡數據攻擊的問題，提出基于深度學習的網絡安全評估方法、系統、設備及介質，首先通過建立卷積神經網絡模型，初步提取網絡數據特征，然后通過建立門控循環神經網絡模型，進一步提取網絡數據特征中的異常網絡數據特征，最后，在門控循環神經網絡模型的輸出層之間設置隱藏層，當接收到異常網絡數據時通過更新隱藏層的權重，反向傳播異常網絡數據，實現對異常網絡數據的攻擊抵抗，解決了卷積神經網絡無法獲取網絡數據的上下文信息特征的問題，且準確率高、誤報率低。

本發明具體實現內容如下：

一種基于深度學習的網絡安全評估方法，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；

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。

為了更好地實現本發明，進一步地，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。