【技术实现步骤摘要】
本专利技术涉及网络
，更具体地，涉及一种在SDN网络上实现DANN在线训练的系统。技术背景神经网络检测技术通过学习已有的输入-输出矢量对集合，进而抽象出其内在的联系，然后得到新的输入-输出的关系。利用神经网络进行网络入侵检测的工作过程包括：首先构造适合进行网络入侵攻击检测的神经网络模型，并利用训练数据集来训练该神经网络的模型参数；然后运行已训练过的神经网络，将采集网络新数据作为神经网络的输入，经过神经网络的计算得出的结果来判断该数据是否为攻击数据。当然，现有的基于神经网络的网络入侵检测系统通常采用的是单个神经网络的模型，其存在的缺点包括：(1)可扩展性不好：当初始训练集中存在着正常行为和某几类攻击行为的样本的时候，利用此训练集进行训练后的神经网络是可以检测到训练集中存在的异常行为的。但是，当新攻击出现的时候，由于训练过的神经网络没有对新攻击进行学习，所以此神经网络无法检测出新攻击。要使该神经网络可以识别出新攻击，那么就需要该神经网络对新攻击的数据样本进行学习。由于系统采用单个神经网络的结构，系统无法添加新的神经网络对新攻击数据进行学习。(2)再学习能力...
【技术保护点】
一种在SDN网络上实现DANN在线训练的系统，其特征在于，包括数据采集模块、DANN输入层模块、DANN通信模块、DANN隐藏层模块、DANN输出层模块和输出反馈模块，数据采集模块的输出端与DANN输入层模块的输入端连接，DANN输入层模块通过DANN通信模块与DANN隐藏层模块连接，DANN隐藏层模块通过DANN通信模块与DANN输出层模块连接，DANN输出层模块通过DANN通信模块与输出反馈模块连接，且DANN输入层模块、DANN隐藏层模块、DANN输出层模块、输出反馈模块两两模块之间均通过DANN通信模块连接；该系统以总样本实际输出总误差数小于设定允许的最大误差为训练...
【技术特征摘要】
1.一种在SDN网络上实现DANN在线训练的系统，其特征在于，包括数据采集模块、DANN输入层模块、DANN通信模块、DANN隐藏层模块、DANN输出层模块和输出反馈模块，数据采集模块的输出端与DANN输入层模块的输入端连接，DANN输入层模块通过DANN通信模块与DANN隐藏层模块连接，DANN隐藏层模块通过DANN通信模块与DANN输出层模块连接，DANN输出层模块通过DANN通信模块与输出反馈模块连接，且DANN输入层模块、DANN隐藏层模块、DANN输出层模块、输出反馈模块两两模块之间均通过DANN通信模块连接；该系统以总样本实际输出总误差数小于设定允许的最大误差为训练结束条件，当达到该条件时，则训练结束。2.根据权利要求1所述的在SDN网络上实现DANN在线训练的系统，其特征在于，所述数据采集模块采集openflow交换机内数据包，采集数据包是过去若干天内交换机的历史数据，提取数据包特征值作为训练样本，归一化存储；训练结束后采集openflow交换机实时数据，用已训练权值的DANN做实时攻击检测，同时存储交换机实时数据作为下一次DANN训练的样本。3.根据权利要求1或2所述的在SDN网络上实现DANN在线训练的系统，其特征在于，所述的DANN输入层模块各神经元读取训练样本编码后发送给DANN隐藏层模块的各神经元；DANN输入层模块各神经元接收输出反馈模块反馈信息，根据反馈信息决定是否需要继续读取样本，训练结束后DANN输入层模块接收数据采集模块实时数据编码后发送给隐藏层各神经元。4.根据权利要求3所述的在SDN网络上实现DANN在线训练的系统，其特征在于，所述的DANN通信模块是将数据用UDP发送给下一层各神经元中，发送完毕后使用UDP接收来自下一层各神经元和输出反馈模块反馈回来信息和数据。5.根据权利要求4所述的在SDN网络上实现DANN在线训练的系统，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。