一种用于通信网络的异常信号优化识别方法技术

本发明专利技术公开了一种用于通信网络的异常信号优化识别方法，涉及网络安全技术领域。本发明专利技术包括如下步骤：对各个待检测信号进行预处理特征提取；提取的特征与移动通信网络信号模型相匹配，识别出异常信号；利用DFI技术获取大量移动通信网络信号离线训练数据；离线训练数据输入支持向量机中，建立SVM分类器；识别出的异常信号输入到SVM分类器；SVM分类器根据分类函数式对信号进行分类并将分类结果提交的信号识别以及控制模块中。本发明专利技术通过SVW算法和DFI技术整合后的支持向量机技术，应用到网络异常信号的识别控制中，并设立了网络信号识别模型对通信网络的异常信号进行优化识别，提高了网络异常信号识别准确率、保障用户信息安全。

An optimal method for identifying abnormal signals in communication networks

【技术实现步骤摘要】
一种用于通信网络的异常信号优化识别方法
本专利技术属于网络安全
，特别是涉及一种用于通信网络的异常信号优化识别方法。
技术介绍
信息时代推动了网络技术发展步伐，在移动通讯网络中的应用越发自如。但影响移动网络安全运行的因素较多，还需要加强对通信网络异常信号精准识别，通过分析网络信号样本信息，了解异常信号数据特征，确保用户信息安全，但传统网络信号识别方式弊端较多，无法有效识别异常信号，木马病毒传播与服务供给等问题层出不穷，严重威胁用户信息安全。对此，能够准确识别网络异常信号，确保网络安全性与稳定运行显得尤为关键，本申请文件针对在移动通信网络异常信号识别过程中的缺陷，提供了一种用于通信网络的异常信号优化识别方法能够有效解决上述问题。
技术实现思路
本专利技术的目的在于提供一种用于通信网络的异常信号优化识别方法，通过SVW算法和DFI技术整合后的支持向量机技术，应用到网络异常信号的识别控制中，并设立了网络信号识别模型对通信网络的异常信号进行优化识别，解决了现有的识别算法精度不足、威胁用户信息安全的问题。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为一种用于通信网络的异常信号优化识别方法，包括如下步骤：步骤S1：采集通信网络正常状态下信号特征，建立移动通信网络信号模型；步骤S2：通过数据预处理器对各个待检测信号进行预处理特征提取；步骤S3：提取的特征与移动通信网络信号模型相匹配，识别出异常信号；步骤S4：利用DFI技术获取大量移动通信网络信号离线训练数据；步骤S5：离线训练数据输入支持向量机中，建立SVM分类器；步骤S6：步骤S3识别出的异常信号输入到SVM分类器；步骤S7：SVM分类器根据分类函数式对信号进行分类并将分类结果提交的信号识别以及控制模块中。优选地，所述步骤S1中，移动通信网络正常状态下的信号特征为：其中，移动通信网络中所有信号数据的长度表示为q+1，移动通信网络信号数据汇总周期数量最大值表示为M。优选地，所述步骤S2中，识别各个待检测信号的数据源，若固定连接IP数桶固定的端口数相同，则待检测信号为移动通信网络正常信号；若固定连接IP数桶固定的端口数不相同，则待检测信号为移动通信网络异常信号。优选地，所述步骤S3中，不移动通信网络异常信号进行识别包括如下步骤：步骤S31：对判断的网络异常信号的特征向量进行特征训练；步骤S32：特征预处理后的训练向量，训练支持向量机，调控AVM参数；步骤S33：将SVM参数构建异常信号识别所需的移动通信网络信号分类面视为实际决策函数；步骤S34：利用决策函数对预测的移动通信网络异常信号特征进行预处理分析；步骤S35：判断决策向量是否在标记的已识别的激动通信网络记录表中；若在，上交到移动通信网络信号控制模块中，认定为正常的网络信号，若否，则标记为移动通信网络异常信号。优选地，所述步骤S6中，将SVM分类器与支持向量机将数据包分成非移动通信网络流和移动通信网络流两类；在向量机二值分类的同时，完成多值分类操作，对网络信号按照不同类型进行归一处理。本专利技术具有以下有益效果：本专利技术通过SVW算法和DFI技术整合后的支持向量机技术，应用到网络异常信号的识别控制中，并设立了网络信号识别模型对通信网络的异常信号进行优化识别，构建移动通信网络信号识别模型，实现对移动通信网络信号识别控制，提高了网络异常信号识别准确率、保障用户信息安全。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的一种用于通信网络的异常信号优化识别方法步骤图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1所示，本专利技术为一种用于通信网络的异常信号优化识别方法，包括如下步骤：步骤S1：采集通信网络正常状态下信号特征，建立移动通信网络信号模型；步骤S2：通过数据预处理器对各个待检测信号进行预处理特征提取；步骤S3：提取的特征与移动通信网络信号模型相匹配，识别出异常信号；步骤S4：利用DFI技术获取大量移动通信网络信号离线训练数据；步骤S5：离线训练数据输入支持向量机中，建立SVM分类器；步骤S6：步骤S3识别出的异常信号输入到SVM分类器；步骤S7：SVM分类器根据分类函数式对信号进行分类并将分类结果提交的信号识别以及控制模块中。其中，步骤S1中，移动通信网络正常状态下的信号特征为：其中，移动通信网络中所有信号数据的长度表示为q+1，移动通信网络信号数据汇总周期数量最大值表示为M；利用平方差公式计算移动通信网络信号数据中各个汇总周期中信号数据的离均平方差以及组间离均差平方，在求解各个移动通信网络异常信号识别周期的方差。其中，步骤S2中，识别各个待检测信号的数据源，若固定连接IP数桶固定的端口数相同，则待检测信号为移动通信网络正常信号；若固定连接IP数桶固定的端口数不相同，则待检测信号为移动通信网络异常信号；正常状态下移动通信网络信号识别模型，对每一个待检测的信号进行匹配，将匹配后相同的信号定义为正常信号，将不同信号定义为异常信号。其中，步骤S3中，不移动通信网络异常信号进行识别包括如下步骤：步骤S31：对判断的网络异常信号的特征向量进行特征训练；步骤S32：特征预处理后的训练向量，训练支持向量机，调控AVM参数；步骤S33：将SVM参数构建异常信号识别所需的移动通信网络信号分类面视为实际决策函数；步骤S34：利用决策函数对预测的移动通信网络异常信号特征进行预处理分析；步骤S35：判断决策向量是否在标记的已识别的激动通信网络记录表中；若在，上交到移动通信网络信号控制模块中，认定为正常的网络信号，若否，则标记为移动通信网络异常信号，分析移动通信网络两类数据流源的变化差异，采用三维特征向量的提取算法实现异常信号特征提取。其中，步骤S6中，将SVM分类器与支持向量机将数据包分成非移动通信网络流和移动通信网络流两类；在向量机二值分类的同时，完成多值分类操作，对网络信号按照不同类型进行归一处理。值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为本文档来自技高网...

【技术保护点】
1.一种用于通信网络的异常信号优化识别方法，其特征在于，包括如下步骤：/n步骤S1：采集通信网络正常状态下信号特征，建立移动通信网络信号模型；/n步骤S2：通过数据预处理器对各个待检测信号进行预处理特征提取；/n步骤S3：提取的特征与移动通信网络信号模型相匹配，识别出异常信号；/n步骤S4：利用DFI技术获取大量移动通信网络信号离线训练数据；/n步骤S5：离线训练数据输入支持向量机中，建立SVM分类器；/n步骤S6：步骤S3识别出的异常信号输入到SVM分类器；/n步骤S7：SVM分类器根据分类函数式对信号进行分类并将分类结果提交的信号识别以及控制模块中。/n

【技术特征摘要】
1.一种用于通信网络的异常信号优化识别方法，其特征在于，包括如下步骤：
步骤S1：采集通信网络正常状态下信号特征，建立移动通信网络信号模型；
步骤S2：通过数据预处理器对各个待检测信号进行预处理特征提取；
步骤S3：提取的特征与移动通信网络信号模型相匹配，识别出异常信号；
步骤S4：利用DFI技术获取大量移动通信网络信号离线训练数据；
步骤S5：离线训练数据输入支持向量机中，建立SVM分类器；
步骤S6：步骤S3识别出的异常信号输入到SVM分类器；
步骤S7：SVM分类器根据分类函数式对信号进行分类并将分类结果提交的信号识别以及控制模块中。


2.根据权利要求1所述的一种用于通信网络的异常信号优化识别方法，其特征在于，所述步骤S1中，移动通信网络正常状态下的信号特征为：



其中，移动通信网络中所有信号数据的长度表示为q+1，移动通信网络信号数据汇总周期数量最大值表示为M。


3.根据权利要求1所述的一种用于通信网络的异常信号优化识别方法，其特征在于，所述步骤S2中，识别各个待检测信号的数据源，若固定连接IP数桶固定...

【专利技术属性】
技术研发人员：苏和平，
申请(专利权)人：安徽极昶信息科技有限公司，
类型：发明
国别省市：安徽;34