非对称卷积网络的流量检测模型的训练方法及检测方法技术

本发明专利技术公开一种非对称卷积网络的流量检测模型的训练方法及检测方法，所述非对称卷积网络的流量检测模型包括非对称卷积自编码网络和分类网络，该训练方法包括：构建对称卷积自编码网络，所述对称卷积自编码网络包括编码网络和解码网络；利用训练样本对所述对称卷积自编码网络进行训练；将训练完成的所述对称卷积自编码网络中的解码网络去除，得到非对称卷积自编码网络；利用所述非对称卷积自编码网络提取训练样本的抽象特征，并利用抽象特征训练分类网络，以完成非对称卷积网络的流量检测模型的训练。相对于现有的检测模型具有更高的检测准确率和更低的误报率，检测模型只保留了编码网络，从而让模型更加轻便且更易于特征提取，节省开销。

Training method and detection method of traffic detection model of asymmetric convolution network

【技术实现步骤摘要】
非对称卷积网络的流量检测模型的训练方法及检测方法
本专利技术属于信息
，具体地讲，涉及非对称卷积网络的流量检测模型的训练方法及检测方法、计算机可读存储介质、计算机设备。
技术介绍
随着互联网的快速发展和网络规模的不断扩大，互联网已经成为人类生产生活不可缺少的一部分。但是同时，人们在享受网络便利的过程中不可避免地遭受网络异常的危害。目前普遍存在的多种网络异常可以通过网络流量的异常表现出来，异常网络流量能较全面地反映出现在网络的实时状况，比如网络扫描，DDoS攻击，网络蠕虫病毒等，及时去发现网络中的异常流量变化对于网络数据中心的异常定位，采取后续相应的补救措施有重要的意义。网络流量异常检测已经作为一种有效的网络防护手段，能检测未知的网络攻击行为，为网络态势感知提供重要支持，近年来受到研究者越来越多的关注。针对网络流量异常检测方法大致有基于表征行为匹配的检测方法，基于统计的异常检测方法，基于机器学习异常检测方法，基于数据挖掘的异常检测方法，基于传统深度学习的异常检测方法。深度学习技术在网络流量异常检测方面有着突出优势。深度学习模本文档来自技高网...

【技术保护点】
1.一种非对称卷积网络的流量检测模型的训练方法，其特征在于，所述非对称卷积网络的流量检测模型包括非对称卷积自编码网络和分类网络，所述训练方法包括：/n构建对称卷积自编码网络，所述对称卷积自编码网络包括编码网络和解码网络；/n利用训练样本对所述对称卷积自编码网络进行训练；/n将训练完成的所述对称卷积自编码网络中的解码网络去除，得到非对称卷积自编码网络；/n利用所述非对称卷积自编码网络提取训练样本的抽象特征，并利用抽象特征训练分类网络，以完成非对称卷积网络的流量检测模型的训练。/n

【技术特征摘要】
1.一种非对称卷积网络的流量检测模型的训练方法，其特征在于，所述非对称卷积网络的流量检测模型包括非对称卷积自编码网络和分类网络，所述训练方法包括：
构建对称卷积自编码网络，所述对称卷积自编码网络包括编码网络和解码网络；
利用训练样本对所述对称卷积自编码网络进行训练；
将训练完成的所述对称卷积自编码网络中的解码网络去除，得到非对称卷积自编码网络；
利用所述非对称卷积自编码网络提取训练样本的抽象特征，并利用抽象特征训练分类网络，以完成非对称卷积网络的流量检测模型的训练。


2.根据权利要求1所述的非对称卷积网络的流量检测模型的训练方法，其特征在于，在利用训练样本对所述对称卷积自编码网络进行训练的具体方法包括：
对原始网络流量数据进行预处理，获得一维格式的训练样本；
对一维的训练样本进行转换处理，获得二维格式的训练样本；
利用二维格式的训练样本对所述对称卷积自编码网络进行训练。


3.根据权利要求1所述的非对称卷积网络的流量检测模型的训练方法，其特征在于，所属分类网络为随机森林网络，随机森林网络包括若干决策树，利用抽象特征训练分类网络的具体方法包括：
从抽象特征随机选取若干数据特征组成子训练集；
利用子训练集训练随机森林网络的各个决策树。


4.根据权利要求1所述的非对称卷积网络的流量检测模型的训练方法...

【专利技术属性】
技术研发人员：纪书鉴，叶可江，赵世林，须成忠，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44