[發(fā)明專利]加密流量檢測(cè)模型的訓(xùn)練方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210980514.2
• 申請(qǐng)日: 2022-08-16
• 公開(kāi)（公告）號(hào): CN115529159A
• 公開(kāi)（公告）日: 2022-12-27
• 發(fā)明（設(shè)計(jì)）人: 段赟;劉東鑫;汪來(lái)富;董浩
• 申請(qǐng)（專利權(quán)）人: 中國(guó)電信股份有限公司
• 主分類號(hào): H04L9/40
• 分類號(hào): H04L9/40;H04L41/16;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京律智知識(shí)產(chǎn)權(quán)代理有限公司 11438
• 代理人: 孫寶海

本發(fā)明提供了加密流量檢測(cè)模型的訓(xùn)練方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，該方法包括：獲取流量樣本數(shù)據(jù)，所述流量樣本數(shù)據(jù)包括流量數(shù)據(jù)以及流量數(shù)據(jù)的分類標(biāo)簽；對(duì)所述流量數(shù)據(jù)進(jìn)行預(yù)處理，獲得第一樣本集合以及第二樣本集合；將所述第一樣本集合和所述第二樣本集合中的多個(gè)樣本數(shù)據(jù)包轉(zhuǎn)換為第一圖像；將所述第二樣本集合輸入生成對(duì)抗網(wǎng)絡(luò)模型中，所述生成對(duì)抗網(wǎng)絡(luò)模型的生成器基于所述第二樣本集合生成第二圖像；將所述第二圖像和所述第一圖像，輸入至分類器中，獲得分類器輸出的分類結(jié)果；根據(jù)所述分類器輸出的分類結(jié)果與所述分類標(biāo)簽的比較，調(diào)整所述分類器的參數(shù)。本發(fā)明避免加密流量檢測(cè)任務(wù)中樣本不平衡造成的應(yīng)用效果不佳。

技術(shù)領(lǐng)域

本發(fā)明涉及流量檢測(cè)領(lǐng)域，具體地說(shuō)，涉及加密流量檢測(cè)模型的訓(xùn)練方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

人工智能(AI)算法在網(wǎng)絡(luò)安全領(lǐng)域中極具前景，應(yīng)用廣泛，其中有監(jiān)督學(xué)習(xí)的算法占據(jù)了絕大部分。而無(wú)論是傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如邏輯回歸、SVM(支持向量機(jī))、NN(神經(jīng)網(wǎng)絡(luò))，還是近年所流行的深度學(xué)習(xí)算法，如CNN(卷積神經(jīng)網(wǎng)絡(luò))、RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))等，這些有監(jiān)督學(xué)習(xí)算法的實(shí)際表現(xiàn)都依賴于訓(xùn)練樣本的質(zhì)量，包括不同類別樣本的平衡性、訓(xùn)練樣本和實(shí)際應(yīng)用場(chǎng)景的匹配性等。

加密流量的檢測(cè)包括加密/非加密流量的分類、加密流量種類的分類等，加密流量的檢測(cè)對(duì)于網(wǎng)絡(luò)安全的相關(guān)任務(wù)具有一定的基礎(chǔ)性作用。而在加密流量檢測(cè)的實(shí)際應(yīng)用場(chǎng)景中，容易出現(xiàn)訓(xùn)練樣本不平衡的情況，這種訓(xùn)練樣本不平衡的情況，極大制約了AI類算法在網(wǎng)絡(luò)安全領(lǐng)域的實(shí)際應(yīng)用效果。

由此，如何避免加密流量檢測(cè)任務(wù)中樣本不平衡造成的應(yīng)用效果不佳，是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問(wèn)題。

需要說(shuō)明的是，上述背景技術(shù)部分公開(kāi)的信息僅用于加強(qiáng)對(duì)本發(fā)明的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，本發(fā)明的目的在于提供加密流量檢測(cè)模型的訓(xùn)練方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，克服了現(xiàn)有技術(shù)的困難，避免加密流量檢測(cè)任務(wù)中樣本不平衡造成的應(yīng)用效果不佳。

本發(fā)明的實(shí)施例提供一種加密流量檢測(cè)模型的訓(xùn)練方法，包括：

獲取流量樣本數(shù)據(jù)，所述流量樣本數(shù)據(jù)包括流量數(shù)據(jù)以及流量數(shù)據(jù)的分類標(biāo)簽；

對(duì)所述流量數(shù)據(jù)進(jìn)行預(yù)處理，獲得第一樣本集合以及第二樣本集合，其中，所述第一樣本集合包括多個(gè)第一樣本數(shù)據(jù)包，所述第二樣本集合包括多個(gè)第二樣本數(shù)據(jù)包，所述第一樣本集合中的第一樣本數(shù)據(jù)包的數(shù)量大于所述第二樣本集合的所述第二樣本數(shù)據(jù)包的數(shù)量；

將所述第一樣本集合和所述第二樣本集合中的多個(gè)樣本數(shù)據(jù)包轉(zhuǎn)換為第一圖像；

將所述第二樣本集合輸入生成對(duì)抗網(wǎng)絡(luò)模型中，所述生成對(duì)抗網(wǎng)絡(luò)模型的生成器基于所述第二樣本集合生成第二圖像，所述生成對(duì)抗網(wǎng)絡(luò)模型的判別器用于識(shí)別所述第二圖像與對(duì)應(yīng)的所述第一圖像的差異；

將所述第二圖像和所述第一圖像，輸入至分類器中，獲得分類器輸出的分類結(jié)果；

根據(jù)所述分類器輸出的分類結(jié)果與所述分類標(biāo)簽的比較，調(diào)整所述分類器的參數(shù)。

在本申請(qǐng)的一些實(shí)施例中，所述生成對(duì)抗網(wǎng)絡(luò)模型的生成器以所述生成對(duì)抗網(wǎng)絡(luò)模型的判別器將所述第二圖像識(shí)別為對(duì)應(yīng)的第一圖像的概率大于設(shè)定閾值為目標(biāo)進(jìn)行訓(xùn)練。

在本申請(qǐng)的一些實(shí)施例中，所述生成器用于向所述第二樣本集合中的多個(gè)第二樣本數(shù)據(jù)包增加隨機(jī)噪聲，以生成第二圖像。

在本申請(qǐng)的一些實(shí)施例中，所述對(duì)所述流量數(shù)據(jù)進(jìn)行預(yù)處理包括：

將第一流量數(shù)據(jù)和第二流量數(shù)據(jù)分別按會(huì)話層切分為多個(gè)第一樣本數(shù)據(jù)包和多個(gè)第二樣本數(shù)據(jù)包；