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。深度学习模型能够从原始数据作为输入并且能从所学特征更好地刻画出数据的丰富信息，提高分类性能。在不同领域内深度学习都能容易地适应不同的领域和应用，在网络多特征的海量信息面前，深度学习不需要现在数据集上执行探索性的数据分析，特征降维等特征工程。传统机器学习应用到模型的异常检测上面来的话存在一个经验先验的问题，特别对于数据量大而且实时性比较强的网络流量数据来看，参数选择不恰当或者选择的数据质量差，会对模型的检测效果造成比较大的影响。现有的检测模型对网络流量异常检测的正确率较低且检测时间较长。
技术实现思路
(一)本专利技术所要解决的技术问题本专利技术解决的技术问题是：如何提高网络流量异常检测的正确率。(二)本专利技术所采用的技术方案一种非对称卷积网络的流量检测模型的训练方法，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，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。优选地，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。优选地，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。优选地，所述编码网络包括依序连接的第一卷积层、第一池化层、第二卷积层、第二池化层、上采样层、第三卷积层和第三池化层。优选地，所述解码网络包括依序连接的第三池化层、第三卷积层、上采样层、第二池化层、第二卷积层、第一池化层和第一卷积层。本专利技术还公开了一种非对称卷积网络的流量检测模型的检测方法，所述检测方法包括：将原始网络流量数据输入到由上述的训练方法训练得到的非对称卷积网络的流量检测模型中；所述非对称卷积网络的流量检测模型输出原始网络流量数据的类型；根据原始网络流量数据的类型判断网络流程是否异常。本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有非对称卷积网络的流量检测模型的训练程序，所述非对称卷积网络的流量检测模型的训练程序被处理器执行时实现上述的非对称卷积网络的流量检测模型的训练方法。本专利技术还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的非对称卷积网络的流量检测模型的训练程序，所述非对称卷积网络的流量检测模型的训练程序被处理器执行时实现上述的非对称卷积网络的流量检测模型的训练方法。(三)有益效果本专利技术公开了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，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，本申请的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。附图说明图1为本专利技术的实施例的非对称卷积网络的流量检测模型的训练方法的流程图；图2为本专利技术的实施例的对称卷积自编码网络的结构示意图；图3为本专利技术的实施例的非对称卷积网络的流量检测模型的检测方法的流程图；图4A为本专利技术的实施例的在NSLKDD数据集测试的实验结果图；图4B为图4A的可视化示意图；图5A为本专利技术的实施例的在KDD99数据集测试的实验结果图；图5B为图5A的可视化示意图；图6为本专利技术的实施例的对小样本数据集测试的实验结果图；图7为本专利技术的实施例的计算机设备的原理框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。为了及时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，以便后续采取相应的补救。本申请提供一种基于非对称卷积网络的流量检测模型的训练方法和检测方法，该检测模型结合了卷积网络和自编码器的优点，能够有效地检测网络环境下异常流量对应的异常事件类型。具体来说，如图1所示，该检测模型的训练方法包括如下步骤：步骤S10：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。作为优选实施例，对称卷积自编码网络优选采用七层网络结构，即编码网络21和解码网络22分别采用七层结构，如图2所示，编码网络21包括依序连接的第一卷积层、第一池化层、第二卷积层、第二池化层、上采样层、第三卷积层和第三池化层。解码网络22包括依序连接的第三池化层、第三卷积层、上采样层、第二池化层、第二卷积层、第一池化层和第一卷积层。其中编码网络21和解码网络22之间通过全连接层连接，编码网络21和解码网络22在整体结构上保持对称，理论上相对应的两个卷积层的各项参数应保持一致，但是实际情况中，在保证两者结构对称的前提下，可对卷积层的参数进行微调，以进一步提高神经网络的特征提取能力。其中各个卷积层、池化层、上采样层的主要参数为：卷积核大小为3*3，学习率为0.001，步长为1。步骤S20：利用训练样本对所述对称卷积自编码网络进行训练。具体来说，该步骤包括：步骤S21：对原始网络流量数据进行预处理，获得一维的训练样本。对原始网络流量数据进行规范化处理和清洗处理，以获得训练样本。从原始网络流量数据中分别读取训练本文档来自技高网...

【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