一种web异常流量检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种web异常流量检测方法、装置、设备及存储介质，所述方法包括：将获取的待测流量数据输入预先训练好的检测模型，以获取待测流量数据对应的评分值，若评分值小于预设阈值，则判定为异常流量；所述检测模型包括集成学习模型和评分卡模型，所述待测流量数据经所述集成学习模型处理后输入评分卡模型，所述评分卡模型输出评分值。本发明专利技术用于实现快速准确地检测网络中的异常流量数据。准确地检测网络中的异常流量数据。准确地检测网络中的异常流量数据。

【技术实现步骤摘要】
一种web异常流量检测方法、装置、设备及存储介质


[0001]本专利技术涉及一种web异常流量检测方法、装置、设备及存储介质，属于网络异常流量检测与防御


技术介绍

[0002]随着网络技术的迅猛发展，网络每天都会产生数亿兆级别的流量，现在绝大多数的网络攻击行为都会或多或少的产生网络流量，所以对网络中流量的进行检测可以定位出异常流量，阻断攻击，因此，网络流量检测关系着网络安全和用户隐私等诸多安全。
[0003]现有的防护手段是在WAF(Web Application Firewall)上依靠正则匹配，匹配准确率和效率很高，但需要人为指定每一类攻击的规则，攻击的特征改变，检测规则也需要及时改变，所需人力成本高。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种web异常流量检测方法、装置、设备及存储介质，用于实现快速准确地检测网络中的异常流量数据。
[0005]第一方面，本专利技术了提供一种web异常流量检测方法，包括：
[0006]将获取的待测流量数据输入预先训练好的检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种web异常流量检测方法，包括：将获取的待测流量数据输入预先训练好的检测模型，以获取待测流量数据对应的评分值，若评分值小于预设阈值，则判定为异常流量；其特征在于，所述检测模型包括集成学习模型和评分卡模型，所述待测流量数据经所述集成学习模型处理后输入评分卡模型，所述评分卡模型输出评分值。2.根据权利要求1所述的web异常流量检测方法，其特征在于，所述集成学习模型的训练包括：获取历史流量数据，提取数据特征集；基于数据特征集对神经网络模型进行训练，获得所述集成学习模型。3.根据权利要求2所述的web异常流量检测方法，其特征在于，所述集成学习模型的包括随机森林模型和XGBOOST模型。4.根据权利要求1所述的web异常流量检测方法，其特征在于，所述评分卡模型输出的评分值表示为：Score＝S0‑
kln(o)＝S0‑
k(β0+β1x1+...+β
n
x
n
)其中，S0表示初始分数，k为系数，o表示事件发生概率和不发生概率比值，x
i
(1≤i≤n)表示每个样本，β
i
(1≤i≤n)表示激活函数的参数。5.一种web异常流量检测装置，其特征在于，包括：数据获取单元，用于获取流量数据包；数据评分单元，用于输出数据评...

【专利技术属性】
技术研发人员：陈伟，潘桐，吴礼发，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：