[發明專利]流量入侵檢測方法、裝置、設備、存儲介質和程序產品

在審

• 申請號: 202211352783.0
• 申請日: 2022-10-31
• 公開（公告）號: CN115695002A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 張晗;李嘉睿;王繼龍;尹霞;施新剛;安常青
• 申請（專利權）人: 清華大學
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/0464;G06N3/08;G06N3/09
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 肖慧

1.一種流量入侵檢測方法，包括：

獲取多個流量數據包；

基于神經網絡分別從多個流量數據包中提取多個特征向量；

通過對所述多個特征向量構成的數據流進行傅里葉變換，提取所述數據流的頻域特征；以及

通過分類器，根據所述頻域特征檢測所述數據流的類型。

2.根據權利要求1所述的流量入侵檢測方法，其中，所述基于神經網絡分別從多個流量數據包中提取多個特征向量，包括：

通過所述神經網絡的卷積層的多組輸入通道，分別從多個流量數據包中提取多個初始特征向量；以及

對于所述多個流量數據包中每個流量數據包的初始特征向量，通過所述神經網絡的全連接層，對所述初始特征向量進行壓縮，得到所述特征向量，其中所述特征向量的維度小于所述初始特征向量。

3.根據權利要求2所述的流量入侵檢測方法，其中，所述多個流量數據包包括M個數據包，所述神經網絡的卷積層包括M個輸入通道和N個輸出通道，M和N為正整數；所述通過所述神經網絡的卷積層的多組輸入通道，分別從多個流量數據包中提取多個初始特征向量，包括：

將所述M個輸入通道劃分為M組通道，每組通道包括一個輸入通道，每個所述輸入通道設有一個卷積核；

通過所述M組通道的M個所述卷積核分別對所述M個數據包進行深度卷積運算，得到M個第一特征向量；

對所述M個第一特征向量進行逐點卷積運算，通過所述N個輸出通道，得到N個所述初始特征向量。

4.根據權利要求3所述的流量入侵檢測方法，其中，所述通過所述M組通道的M個所述卷積核分別對所述M個數據包進行深度卷積運算，得到M個第一特征向量，包括：

根據

對M個數據包進行深度卷積運算，其中，K_d，m為所述M個輸入通道中第m個輸入通道的卷積核，Q_l+d-1，m為所述第m個通道中長為l的一維卷積特征圖，d為所述卷積核遍歷的所述一維卷積特征圖特中的像素點。

5.根據權利要求3所述的流量入侵檢測方法，其中，所述對所述M個第一特征向量進行逐點卷積運算，通過所述N個輸出通道，得到N個所述初始特征向量，包括：

根據

對所述M個第一特征向量進行逐點卷積運算，其中，W_d，m，n為所述M個輸入通道中第m個輸入通道及所述N個輸出通道中第n輸出通道的卷積核，Q_l+d，m為所述第m個輸入通道中長為l的一維卷積特征圖，d為所述卷積核遍歷的所述一維卷積特征圖的像素點。

6.根據權利要求4所述的流量入侵檢測方法，其中，所述對所述M個第一特征向量進行逐點卷積運算，通過所述N個輸出通道，得到N個所述初始特征向量，還包括：

將所述M個輸入通道和所述N個輸出通道分為G組，得到G個分組卷積通道矩陣，G為正整數；

對于所述G個分組卷積通道矩陣的每個所述分組卷積通道矩陣，將所述分組卷積通道矩陣拆分為第一子卷積通道矩陣和第二子卷積通道矩陣，所述第一子卷積通道矩陣包括C個輸出通道，所述第二子卷積通道矩陣包括C個輸入通道，C為正整數；

分別通過G個所述第一子卷積通道矩陣對所述M個第一特征向量進行逐點卷積，得到G×C個第二特征向量；

對所述G×C個第二特征向量進行通道混洗，得到G×C個第三特征向量；以及

分別通過G個所述第二子卷積通道矩陣對所述G×C個第三特征向量進行逐點卷積，得到N個所述初始特征向量。

7.根據權利要求6所述的流量入侵檢測方法，其中，所述將所述分組卷積通道矩陣拆分為第一子卷積通道矩陣和第二子卷積通道矩陣，包括：

根據

將所述分組卷積通道矩陣拆分為第一子卷積通道矩陣和第二子卷積通道矩陣拆分為兩個子卷積，其中，為卷積層中第L層的分組卷積通道矩陣，具有e個輸入通道和f個輸出通道，為第一子卷積通道矩陣，為第二子卷積通道矩陣，L-1層為具有C個輸出通道的中間層，其中M＝G×e，N＝G×f，e和f為正整數。