【技术实现步骤摘要】
一种基于梯度对抗的网络流量防测绘方法
[0001]本专利技术涉及网络流量预测领域，尤其涉及一种基于梯度对抗的网络流量防测绘方法。
技术介绍
[0002]从1956年计算机科学家约翰
·
麦卡锡在达特茅斯会议提出了“人工智能”的概念，到现在其身影遍布各个领域，人工智能在实际应用中表现出了绝佳的性能，甚至在某些方面超过了人类能力(如：基于大数据预测、棋类竞技、药物发现)。但不可忽视的是，人工智能的技术也有被恶意运用的例子(如：使用语音合成冒充人类进行欺骗、通过自动黑客进行攻击、“剑桥分析”事件)。
[0003]互联网作为同时期产生的另一项专利技术，在现在作为人们通信的重要媒介，承担了人们大部分的通信的任务，甚至达到了不可或缺的地步。人们在利用网络解决自己信息需求的同时，随着科技的进步带来的网络安全问题，却让人们无时无刻不受到网络安全隐患的威胁。使得人们对网络数据安全、网络系统可靠性、网络财产安全产生了担忧，更重要的是在政府和军事领域网络安全更是有着关乎国家安全的地位。值得庆幸的是，为了解决此类问题，人们开...
【技术保护点】
【技术特征摘要】
1.一种基于梯度对抗的网络流量防测绘方法，其特征在于，具体包括以下步骤：(1)将防测绘地区的各个区域划分为若干区域，并对每个划分区域分别采集网络流量的进出量；将同一时刻所有区域的网络流量的进出量整理并构成流量矩阵，并记录好流量矩阵以及流量矩阵采集时的时间，以此对所有收集到的历史网络流量值进行处理，将构建的流量矩阵组成具有时间属性的网络流量数据集。(2)将步骤(1)采集到的网络流量数据集输入流量预测模型f(
·
)，并训练该流量预测模型f(
·
)；所述流量预测模型包括深度信念网络、卷积神经网络、循环神经网络或长短时记忆网络；(3)基于步骤(2)训练好的流量预测模型，计算测试数据集的真实值和经过流量预测模型之后的预测值之间损失函数，根据该损失函数计算其梯度矩阵，将该梯度矩阵标准化，对标准化后的梯度矩阵乘以扰动系数，得到扰动矩阵；(4)构建防测绘测试样本矩阵x
c
，将该防测绘测试样本矩阵x
c
输入步骤(2)到构建的流量预测模型f(
·
)中，保存输出的预测值；(5)采用均方误差MSE对防测绘效果进行评估，分别计算并比较无防测绘和有防测绘两种情况下的MSE值，对防测绘效果进行验证。2.根据权利要求1所述的基于梯度对抗的网络流量防测绘方法，其特征在于，所述步骤(2)包括以下子步骤：(2.1)将步骤(1)采集的具有时间属性的网络流量数据集按时间顺序排列，划分为训练数据集和测试数据集；(2.2)构建流量预测模型f(
·
)，所述流量预测模型f(
·
)包括深度信念网络、卷积神经网络、循环神经网络和长短时记忆网；(2.3)将步骤(2.1)采集到的训练数据集的输入到步骤(2.2)构建的流量预测网络模型中进行训练，得到参数确定的流量预测模型。(2.4)将步骤(2.1)采集到的测试数据集测试集输入到步骤(2.3)训练得到的流量预测模型，设流量预测模型f:X
→
Y，网络流量测试数据集输入该模型的矩阵为x
t
∈X则流，量预测模型的输出为f(θ,x
t
)＝y
t
,y
t
∈Y，即通过该流量预测模型得到网络流量测试数据集的预测结果为f(θ,x
t
)＝y
t
,y
t
∈Y，而实际值为其中θ为由网络流量预测模型训练得到的参数；所述实际值为输入的测试数据集对应的实际相邻的下一个时间跨度网络流量矩阵，观察对应得到输出的预测网络流量矩阵序列预测值，将预测值该预测网络流量矩阵序列和实际值进行对比，根据预测值与实际值平均数值差异、预测值与实际值走势吻合度或预测值的平稳性等选择适合的方式，查看该流量预测模型是否满足预测要求；若该流量预测模型不满足预测要求，则重复步骤(2.1)～步骤(2.3)直至该流量预测模型满足预测要求。3.根据权利要求1所述的基于梯度对抗的网络流量防测绘方法，其特征在于，所述步骤(3)包括以下子步骤：(3.1)计算出测试数据集的真实值和经过流量预测模型之后的预测值之间的损失函数，具体为：根据步骤(2.4)计算的结果f(θ,x
t
)＝y
t
,y
t
∈Y，对测试数据集求损失函数，其计算公式为：而其中的分别为预测值矩阵和真实值矩阵
的第i行j列的流量值，损失函数为标量，简记为J(θ,x
t
,y
t
)。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。