云计算环境下的特征降维方法、异常检测方法及装置制造方法及图纸

本申请提供了一种云计算环境下的特征降维方法、异常检测方法及装置，云计算环境下的特征降维方法包括：获取云计算环境下的网络数据，从网络数据中提取网络特征；将网络特征输入预先训练好的深度收缩自编码器，得到深度收缩自编码器输出的特征，深度收缩自编码器输出的特征的维度低于网络特征的维度。在本申请中，通过以上方式可以提高云计算环境的安全检测能力。

Feature dimension reduction method, anomaly detection method and device in cloud computing environment

【技术实现步骤摘要】
云计算环境下的特征降维方法、异常检测方法及装置
本申请涉及云计算
，特别涉及一种云计算环境下的特征降维方法、异常检测方法及装置。
技术介绍
虽然，云计算环境的开放共享特性给用户带来了便利，但是也更易被网络恶意行为攻击，严重影响云计算的健康可持续发展，因此提高云计算环境的安全检测能力，构建可监管可追责的云计算环境成为推动云计算落地发展所要面对的首要问题之一。但是，如何提高云计算环境的安全检测能力成为问题。
技术实现思路
为解决上述技术问题，本申请实施例提供一种云计算环境下的特征降维方法、异常检测方法及装置，以达到提高云计算环境的安全检测能力的目的，技术方案如下：一种云计算环境下的特征降维方法，包括：获取云计算环境下的网络数据，从所述网络数据中提取网络特征；将所述网络特征输入预先训练好的深度收缩自编码器，得到所述深度收缩自编码器输出的特征，所述深度收缩自编码器输出的特征的维度低于所述网络特征的维度；其中，所述深度收缩自编码器包括多层CAE网络，每一层CAE网络均包含输入层和隐藏层，所本文档来自技高网...

【技术保护点】
1.一种云计算环境下的特征降维方法，其特征在于，包括：/n获取云计算环境下的网络数据，从所述网络数据中提取网络特征；/n将所述网络特征输入预先训练好的深度收缩自编码器，得到所述深度收缩自编码器输出的特征，所述深度收缩自编码器输出的特征的维度低于所述网络特征的维度；/n其中，所述深度收缩自编码器包括多层CAE网络，每一层CAE网络均包含输入层和隐藏层，所述输入层的输出作为所述隐藏层的输入，且第一层CAE网络中输入层作为所述深度收缩自编码器的输入端，最后一层CAE网络中隐藏层作为所述深度收缩子编码器的输出端，所述最后一层CAE网络之前的每一层CAE网络中隐藏层的输出作为下一层CAE网络中输入层的输...

【技术特征摘要】
1.一种云计算环境下的特征降维方法，其特征在于，包括：
获取云计算环境下的网络数据，从所述网络数据中提取网络特征；
将所述网络特征输入预先训练好的深度收缩自编码器，得到所述深度收缩自编码器输出的特征，所述深度收缩自编码器输出的特征的维度低于所述网络特征的维度；
其中，所述深度收缩自编码器包括多层CAE网络，每一层CAE网络均包含输入层和隐藏层，所述输入层的输出作为所述隐藏层的输入，且第一层CAE网络中输入层作为所述深度收缩自编码器的输入端，最后一层CAE网络中隐藏层作为所述深度收缩子编码器的输出端，所述最后一层CAE网络之前的每一层CAE网络中隐藏层的输出作为下一层CAE网络中输入层的输入。


2.根据权利要求1所述的方法，其特征在于，所述深度收缩自编码器的训练过程，包括：
将第一训练样本数据中的样本特征输入所述深度收缩自编码器中第k层CAE网络中输入层，对所述深度收缩自编码器中第k层CAE网络进行训练，直至所述第k层CAE网络中输出层得到的解码结果与所述第k层CAE网络中输入层接收的所述第一训练样本数据中的样本特征的误差在设定范围内；
其中，所述k的取值范围为1～n，所述k为整数，所述n为所述深度收缩自编码器包括的CAE网络的层数，在所述k为1的情况下，所述第一训练样本数据为从无标签的训练数据集中选择出的一个未使用的训练样本数据，在所述k不为1的情况下，所述第一训练样本数据为训练好的第k-1层CAE网络中隐藏层的输出结果；
所述第k层CAE网络中输入层将所述第一训练样本数据中的样本特征输出到所述第k层CAE网络中隐藏层，所述第k层CAE网络中隐藏层对所述第一训练样本数据中的样本特征进行降维，得到降维后的特征，并将所述降维后的特征输出到所述第k层CAE网络中输出层，所述第k层CAE网络中输出层对所述降维后的特征进行解码，得到解码结果；
判断所述k是否小于n；
若否，在所述无标签的训练数据集中存在未使用的训练样本数据的情况下，从所述无标签的训练数据集中选择一个未使用的训练样本数据，更新所述第一训练样本数据，并执行所述将第一训练样本数据中的样本特征输入所述深度收缩自编码器中第k层CAE网络中输入层的步骤；
在所述无标签的训练数据集中不存在未使用的训练样本数据的情况下，结束对所述深度收缩自编码器的训练；
若是，将训练好的所述第k层CAE网络中隐藏层的输出结果作为所述第一训练样本数据中的样本特征，将所述k更新为k+1，并执行所述将所述第一训练样本数据中的样本特征输入所述深度收缩自编码器中第k层CAE网络中输入层的步骤。


3.根据权利要求2所述的方法，其特征在于，所述对所述深度收缩自编码器中第k层CAE网络进行训练，包括：
利用对目标学习函数最小化的方式，对所述深度收缩自编码器中第k层CAE网络进行训练，所述JCAE表示目标学习函数值，表示求和函数，X(i)表示所述无标签的训练数据集中的第i个训练样本数据，Z(i)表示与所述第i个训练样本数据对应的所述深度收缩自编码器中第k层CAE网络中输出层得到的解码结果，表示重构误差，Jf(X(i))表示所述第i个训练样本数据的雅克比矩阵，表示雅克比矩阵的F范数，λ表示惩罚参数，表示收缩惩罚项，n表示所述无标签的训练数据集中训练样本数据的个数，i为不大于n的整数。


4.根据权利要求2所述的方法，其特征在于，所述深度收缩自编码器的训练过程，还包括：
从带标签的训练数据集中选择一个未使用的训练样本数据；
从所述未使用的训练样本数据中提取特征，作为带标签的训练特征；
将所述带标签的训练特征输入所述深度收缩自编码器中，得到所述深度收缩自编码器输出的特征；
将所述深度收缩自编码器输出的特征输入分类器，得到所述分类器输出的类别，作为所述深度收缩自编码器输出的特征的类别；
计算所述深度收缩自编码器输出的特征的类别与所述带标签的训练特征的类别的交叉熵；
将所述交叉熵作为损失函数结果；
按照所述深度收缩自编码器中第k+1层CAE网络中输入层到第k层CAE网络中隐藏层及每层CAE网络中隐藏层到输入层的顺序，将所述损失函数结果分别传递给所述深度收缩自编码器中各层CAE网络，更新所述深度收缩自编码器中各层CAE网络的参数，并返回所述从带标签的训练数据集中选择一个未使用的训练样本数据的步骤，直至所述交叉熵收敛。


5.一种云计算环境下的异常检测方法，其特征在于，包括：
获取云计算环境下的网络数据，从所述网络数据中提取网络特征；
将所述网络特征输入预先训练好的深度收缩自编码器，得到所述深度收缩自编码器输出的特征，所述深度收缩自编码器输出的特征的维度低于所述网络特征的维度；
其中，所述深度收缩自编码器包括多层CAE网络，每一层CAE网络均包含输入层和隐藏层，所述输入层的输出作为所述隐藏层的输入，且第一层CAE网络中输入...

【专利技术属性】
技术研发人员：杜学绘，王文娟，陈性元，杨智，秦若熙，曹利峰，单棣斌，孙奕，任志宇，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南;41