[發(fā)明專利]輕量級網(wǎng)絡(luò)入侵檢測方法、裝置、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202310048136.9
• 申請日: 2023-01-31
• 公開（公告）號: CN116232694A
• 公開（公告）日: 2023-06-06
• 發(fā)明（設(shè)計(jì)）人: 王興軍;楊朔;鄭昕然
• 申請（專利權(quán)）人: 清華大學(xué)深圳國際研究生院
• 主分類號: H04L9/40
• 分類號: H04L9/40;H04L43/0876;H04L43/04;G06F21/55;G06N3/0464;G06N3/096
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 謝志超

1.一種輕量級網(wǎng)絡(luò)入侵檢測方法，其特征在于，包括：

獲取待檢測的網(wǎng)絡(luò)數(shù)據(jù)；

將所述待檢測的網(wǎng)絡(luò)數(shù)據(jù)輸入至輕量級入侵檢測模型，得到所述輕量級入侵檢測模型輸出的檢測結(jié)果；所述輕量級入侵檢測模型是基于樣本網(wǎng)絡(luò)數(shù)據(jù)、標(biāo)簽數(shù)據(jù)及采用自知識蒸餾方式進(jìn)行訓(xùn)練得到的，用于對所述待檢測的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行檢測。

2.根據(jù)權(quán)利要求1所述的輕量級網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述輕量級入侵檢測模型包括至少一個特征處理模塊和分類器，所述將所述待檢測的網(wǎng)絡(luò)數(shù)據(jù)輸入至輕量級入侵檢測模型，得到所述輕量級入侵檢測模型輸出的檢測結(jié)果，包括：

將所述待檢測的網(wǎng)絡(luò)數(shù)據(jù)輸入至第一特征處理模塊，得到所述第一特征處理模塊輸出的第一特征信息；

將所述第一特征信息輸入至第二特征處理模塊，得到所述第二特征處理模塊輸出的第二特征信息；

將所述第二特征信息輸入至所述分類器，得到所述分類器輸出的所述檢測結(jié)果。

3.根據(jù)權(quán)利要求2所述的輕量級網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述特征處理模塊包括深度可分離卷積層、最大特征映射層和池化層，所述將所述待檢測的網(wǎng)絡(luò)數(shù)據(jù)輸入至第一特征處理模塊，得到所述第一特征處理模塊輸出的第二特征信息，包括：

將所述待檢測的網(wǎng)絡(luò)數(shù)據(jù)輸入至所述深度可分離卷積層，得到所述深度可分離卷積層輸出的至少一個第一特征圖；第一特征圖用于表示每個通道的數(shù)據(jù)特征；

將至少一組特征圖輸入至所述最大特征映射層，得到所述最大特征映射層輸出的第二特征圖；每組特征圖包括兩個所述第一特征圖；所述第二特征圖表示所述每組特征圖中特征值最大的特征圖；

將所述第二特征圖輸入至所述池化層，得到所述池化層輸出的第一特征信息。

4.根據(jù)權(quán)利要求2所述的輕量級網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述將所述第二特征信息輸入至所述分類器，得到所述分類器輸出的所述檢測結(jié)果，包括：

將所述第二特征信息輸入至所述分類器，所述分類器采用歸一化函數(shù)計(jì)算所述第二特征信息對應(yīng)的概率分布；

將所述概率分布中最大概率對應(yīng)的類型確定為所述檢測結(jié)果。

5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的輕量級網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述輕量級入侵檢測模型是基于以下步驟訓(xùn)練得到的：

獲取網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集；所述網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集包括多批訓(xùn)練數(shù)據(jù)；每批訓(xùn)練數(shù)據(jù)包括多個訓(xùn)練數(shù)據(jù)和多個測試數(shù)據(jù)；所述多個訓(xùn)練數(shù)據(jù)為多個樣本網(wǎng)絡(luò)數(shù)據(jù)和各所述樣本網(wǎng)絡(luò)數(shù)據(jù)的標(biāo)簽數(shù)據(jù)；

基于所述多個訓(xùn)練數(shù)據(jù)、所述多個測試數(shù)據(jù)和所述自知識蒸餾方式，確定所述輕量級入侵檢測模型。

6.根據(jù)權(quán)利要求5所述的輕量級網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述基于所述多個訓(xùn)練數(shù)據(jù)、所述多個測試數(shù)據(jù)和所述自知識蒸餾方式，確定所述輕量級入侵檢測模型，包括：

在上一次迭代時(shí)，基于所述多個訓(xùn)練數(shù)據(jù)，對初始教師網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到第一教師網(wǎng)絡(luò)模型、所述第一教師網(wǎng)絡(luò)模型的第一參數(shù)和所述第一教師網(wǎng)絡(luò)輸出的第一檢測結(jié)果；所述第一教師網(wǎng)絡(luò)模型與所述輕量級入侵檢測模型的結(jié)構(gòu)相同；

將所述多個測試數(shù)據(jù)輸入至所述第一教師網(wǎng)絡(luò)模型，得到所述第一教師網(wǎng)絡(luò)模型輸出的第一測試結(jié)果；

在當(dāng)前次迭代時(shí)，基于所述多個訓(xùn)練數(shù)據(jù)和所述第一參數(shù)，對初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到第一學(xué)生網(wǎng)絡(luò)模型、所述第一學(xué)習(xí)網(wǎng)絡(luò)模型的第二參數(shù)和所述第一學(xué)生網(wǎng)絡(luò)模型輸出的第二檢測結(jié)果；所述第一學(xué)生網(wǎng)絡(luò)模型與所述輕量級入侵檢測模型的結(jié)構(gòu)相同；

將所述多個測試數(shù)據(jù)輸入至所述第一學(xué)生網(wǎng)絡(luò)模型，得到所述第一學(xué)生網(wǎng)絡(luò)模型輸出的第二測試結(jié)果；

基于所述第一檢測結(jié)果、所述第二測試結(jié)果、所述第二檢測結(jié)果和所述第二參數(shù)，確定所述輕量級入侵檢測模型。