【技术实现步骤摘要】
一种智能流量调度保护方法和系统
[0001]本专利技术属于针对智能流量调度保护
，尤其涉及一种智能流量调度保护方法和系统。
技术介绍
[0002]在基于循环神经网络的流量调度应用场景中，由于深度神经网络容易受到对抗扰动与中毒攻击的影响，存在模型鲁棒性差的问题，容易造成流量调度出错的安全问题。尤其是在循环神经网络的训练阶段和推理阶段都存在对抗干扰和恶意攻击，使得网络环境中出现流量激增等安全性问题，在智能化网络信息系统中会产生严重的财产损失。
[0003]为了进一步提高智能化网络信息系统中的流量调度任务性能，需要通过对智能化网络系统进行安全漏洞挖掘，研究在数据和模型层面存在的安全问题，挖掘系统的安全隐患，并对异常的流量数据进行检测防御，以区分正常流量数据和异常流量数据，进一步实现智能化网络系统的免疫加固，达到智能化网络流量调度的安全应用。
技术实现思路
[0004]为了解决上述技术问题，本专利技术提供了一种智能流量调度保护方案，目的在于保护基于深度学习的智能流量调度模型不受自身模型漏洞或者恶意攻击的...
【技术保护点】
【技术特征摘要】
1.一种智能流量调度保护方法，其特征在于，所述方法包括：步骤S1、基于良性测试数据和待检测流量调度模型的模型结构，构建具有所述模型结构且流量调度的错误率低于第一阈值的良性流量调度模型，以及构建具有所述模型结构且能够触发包含恶意攻击数据的触发样本的恶性流量调度模型，所述良性测试数据为不包含所述恶意攻击数据的测试数据；步骤S2、将所述包含恶意攻击数据的触发样本分别输入至所述良性流量调度模型和所述恶性流量调度模型，以确定所述良性流量调度模型的指标特征和所述恶性流量调度模型的指标特征，所述包含恶意攻击数据的触发样本在所述良性流量调度模型中不被触发；步骤S3、将所述良性测试数据输入至所述待检测流量调度模型，以获取所述待检测流量调度模型的待检测指标特征，基于所述待检测指标特征、所述良性流量调度模型的指标特征、所述恶性流量调度模型的指标特征，确定所述待检测流量调度模型的性质，以实现所述智能流量调度保护。2.根据权利要求1所述的一种智能流量调度保护方法，其特征在于，在所述步骤S1中，构建所述良性流量调度模型包括：构建具有所述模型结构的第一模型，将所述良性测试数据输入至所述第一模型以获取第一流量调度结果；计算所述第一流量调度结果和所述良性测试数据的真实调度结果之间的损失函数，通过迭代训练求取所述损失函数的最小值；所述损失函数具有所述最小值时，对应的第一模型的流量调度的错误率低于所述第一阈值，将所述对应的第一模型作为所述良性流量调度模型。3.根据权利要求2所述的一种智能流量调度保护方法，其特征在于，在所述步骤S1中，构建所述良性流量调度模型包括：采用构建所述良性流量调度模型的方式构建第二模型，对所述第二模型执行多类恶意攻击训练，使得所述第二模型能够对所述多类恶意攻击做出响应，以触发包含所述恶意攻击数据的触发样本，将能够触发包含所述恶意攻击数据的触发样本的第二模型作为所述恶性流量调度模型。4.根据权利要求3所述的一种智能流量调度保护方法，其特征在于，在所述步骤S2中，确定所述良性流量调度模型的指标特征包括：将所述包含恶意攻击数据的触发样本按照类别分为多组数据，所述多组数据被输入至所述良性流量调度模型，以获取第二流量调度结果；计算所述第二流量调度结果和所述多组数据的真实调度结果之间的损失函数，作为第一指标特征；根据所述第二流量调度结果确定同类数据的特征子空间聚合度、不同类数据的特征子空间距离、不同类数据的特征子空间重合度作为第二指标特征；基于所述第一指标特征和所述第二指标特征确定所述良性流量调度模型的指标特征。5.根据权利要求4所述的一种智能流量调度保护方法，其特征在于，在所述步骤S2中，确定所述恶性流量调度模型的指标特征包括：将所述多组数据输入至所述恶性流量调度模型，所述包含恶意攻击数据的触发样本被触发，并获取所述恶性流量调度模型的调度结果作为第三流量调度结果...
【专利技术属性】
技术研发人员：杨林，张京京，冯涛，高先明，陶沛琳，王雯，
申请(专利权)人：军事科学院系统工程研究院网络信息研究所，
类型：发明
国别省市：
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。