一种网络数据预测序列生成方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种网络数据预测序列生成方法、装置、设备及计算机可读存储介质，该方法包括：获取网络数据序列，并分别基于多种预测序列生成算法，生成网络数据序列对应的多个初始预测序列；分别计算各个初始预测序列与网络数据序列之间的熵差值；在各个熵差值中确定最小熵差值，并将最小熵差值对应的目标初始预测序列确定为网络数据预测序列；通过计算熵差值的方式，可以在多个初始预测序列中选择与网络数据序列最相似的一个作为网络数据预测序列，提高了网络数据预测序列的准确度。

【技术实现步骤摘要】
一种网络数据预测序列生成方法、装置、设备及存储介质
本申请涉及网络安全
，特别涉及一种网络数据预测序列生成方法、网络数据预测序列生成装置、网络数据预测序列生成设备及计算机可读存储介质。
技术介绍
时间序列是按时间顺序排列的一组数字序列，许多行业或场景的数据都具有自相似性，因此当其以时间序列的形式给出时，则根据历史数据对未来进行预测。如在网络安全领域，通过将历史数据之后的真实的流量时序和基于历史数据得到的预测时间序列进行比较，确定二者之间的偏离程度，可以判断流量是否存在异常情况。相关技术在生成预测序列时，常用以下几种方法：通过传统时序建模方法预测，如ARMA、ARIMA、STL分解等线性模型，指数平滑、多项式回归等非线性模型；通过数据集标签，进行有监督学习预测，如XBGBOOT、LSTM模型、时间卷积网等；通过深度学习网络预测，如CNN、RNN、ATTENTION等结合。但是，不同种类的预测序列生成方法适用于不用的场景，而在很多场景下无法确定应该使用哪种方法，若采用了不合适的方法，则生成的预测序列不准确，进而导致根据其进行网络安全检测无法得本文档来自技高网...

【技术保护点】
1.一种网络数据预测序列生成方法，其特征在于，包括：/n获取网络数据序列，并分别基于多种预测序列生成算法，生成所述网络数据序列对应的多个初始预测序列；/n分别计算各个所述初始预测序列与所述网络数据序列之间的熵差值；/n在各个所述熵差值中确定最小熵差值，并将所述最小熵差值对应的目标初始预测序列确定为网络数据预测序列。/n

【技术特征摘要】
1.一种网络数据预测序列生成方法，其特征在于，包括：
获取网络数据序列，并分别基于多种预测序列生成算法，生成所述网络数据序列对应的多个初始预测序列；
分别计算各个所述初始预测序列与所述网络数据序列之间的熵差值；
在各个所述熵差值中确定最小熵差值，并将所述最小熵差值对应的目标初始预测序列确定为网络数据预测序列。


2.根据权利要求1所述的网络数据预测序列生成方法，其特征在于，所述分别计算各个所述初始预测序列与所述网络数据序列之间的熵差值，包括：
计算所述网络数据序列的第一样本熵，以及各个所述初始预测序列分别对应的第二样本熵；
利用所述第一样本熵分别和所述第二样本熵做差，得到所述熵差值。


3.根据权利要求2所述的网络数据预测序列生成方法，其特征在于，所述计算所述网络数据序列的第一样本熵，以及各个所述初始预测序列分别对应的第二样本熵，包括：
利用样本熵算法计算所述网络数据序列的所述第一样本熵；
利用网络数据序列分别和各个所述初始预测序列进行组合，得到多个中间序列；
利用所述样本熵算法计算各个所述中间序列对应的样本熵，并将所述中间序列对应的样本熵确定为对应的初始预测序列的所述第二样本熵。


4.根据权利要求2所述的网络数据预测序列生成方法，其特征在于，所述计算所述网络数据序列的第一样本熵，包括：
利用所述网络数据序列生成多个第一向量和多个第二向量；
确定各个所述第一向量之间的第一最大距离和各个所述第二向量之间的第二最大距离；
利用所述第一最大距离计算第一均值，并利用所述第二最大距离计算第二均值；
...

【专利技术属性】
技术研发人员：何帅，范渊，刘博，
申请(专利权)人：杭州安恒信息技术股份有限公司，
类型：发明
国别省市：浙江;33