光纤网络威胁智能感知方法及其系统技术方案

本申请涉及网络威胁智能感知的领域，更具体地，涉及一种光纤网络威胁智能感知方法及其系统，其通过卷积神经网络模型对所述在多个预定时间点的多路信号数据进行特征提取，以提取出所述各路信号数据中各个数据项之间的高维隐含关联特征以及所述各路信号数据在时序维度上的高维隐含关联特征信息，进一步针对所述第一特征图至所述第四特征图，计算每个特征图与其它特征图的衍生信息超凸度量因数作为每个所述特征图的加权系数来计算分类特征图以此来分类。这样，可以使得融合后的各个特征图间的流形差异性能够适应各子维度投影上的凸单调性，从而提高各个特征图在具有高空间复杂性的高维特征空间内的融合性能，进而提高网络威胁智能感知的准确性。威胁智能感知的准确性。威胁智能感知的准确性。

【技术实现步骤摘要】
光纤网络威胁智能感知方法及其系统


[0001]本申请涉及网络威胁智能感知的领域，且更为具体地，涉及一种光纤网络威胁智能感知方法及其系统。

技术介绍

[0002]近年来，各种黑客入侵、网络攻击、恶意代码、病毒木马、僵尸网络等网络入侵行为对人们正常使用网络构成了干扰，对网络与信息安全形成了威胁，造成的危害和损失也非常严重。网络安全与国家安全息息相关，加强网络安全防护非常重要。在网络安全防护时，如果能够对网络威胁进行智能感知，可防患于未然，用户利益得以保障。
[0003]但网络威胁的智能感知方案的构建存在难度，一方面，网络安全防护系统中存在多种数据源，例如，网络设备、入侵检测器、主机日志所产生的数据。另一方面，这些数据源所产生的数据之间是异构的，数据之间还存在复杂的关系，例如，数据互补等。因此，期待一种网络安全威胁智能感知方案。
[0004]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]近年来，深度学习以及神经网络的发展，为网络威胁的智能感知提供了解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种光纤网络威胁智能感知方法及其系统，其通过卷积神经网络模型对所述在多个预定时间点的多路信号数据进行特征提取，以提取出所述各路信号数据中各个数据项之间的高维隐含关联特征以及所述各路信号数据在时序维度上的高维隐含关联特征信息，进一步针对所述第一特征图至所述第四特征图，计算每个特征图与其它特征图的衍生信息超凸度量因数作为每个所述特征图的加权系数来计算分类特征图以此来分类。这样，可以使得融合后的各个特征图间的流形差异性能够适应各子维度投影上的凸单调性，从而提高各个特征图在具有高空间复杂性的高维特征空间内的融合性能，进而提高网络威胁智能感知的准确性。
[0007]根据本申请的一个方面，提供了一种光纤网络威胁智能感知方法，其包括：
[0008]获取光纤网络的在多个预定时间点的各路信号数据，其中，所述各路信号数据包括拒绝服务攻击数据、远程非法访问攻击数据、超级用户特权非法访问攻击数据和探测攻击数据；
[0009]将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为第一至第四输入矩阵后通过卷积神经网络模型以获得第一至第四特征图；
[0010]计算所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数，其中，所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度
量因数为以每两个所述特征图中各个相应位置的特征值之间的距离的加权和的对数函数值的加权和；
[0011]以所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数计算所述第一至第四特征图中每个特征图的加权和以获得分类特征图；
[0012]将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示光纤网络的安全等级。
[0013]在上述光纤网络威胁智能感知方法中，将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为第一至第四输入矩阵后通过卷积神经网络模型以获得第一至第四特征图，包括：将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为所述第一至第四输入矩阵；使用所述卷积神经网络模型的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述卷积神经网络模型的最后一层生成所述第一至第四特征图，其中，所述卷积神经网络模型的第一层的输入为所述第一至第四输入矩阵。
[0014]在上述光纤网络威胁智能感知方法中，计算所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数，包括：以如下公式计算所述第一至第四特征图中每个特征图与其他特征图之间的所述衍生信息超凸度量因数；
[0015]其中，所述公式为：
[0016][0017]其中f
i
表示第一个特征图中的各个位置的特征值，f
j
表示第二个特征图中的各个位置的特征值，|
·
|表示所述第一个特征图与所述第二个特征图之间的距离。
[0018]在上述光纤网络威胁智能感知方法中，以所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数计算所述第一至第四特征图中每个特征图的加权和以获得分类特征图，包括：将所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数，以如下公式计算所述第一至第四特征图中每个特征图的加权和以获得所述分类特征图；
[0019]其中，所述公式为：
[0020]F＝w1F1+w2F2+w3F3+w4F4[0021]其中，F1表示所述第一特征图，F2表示所述第二特征图，F3表示所述第三特征图，F4表示所述第四特征图，w1表示所述第一特征图与其他特征图之间的流行维度分布相似性因数，w2表示所述第二特征图与其他特征图之间的流行维度分布相似性因数，w3表示所述第三特征图与其他特征图之间的流行维度分布相似性因数，w4表示所述第四特征图与其他特征图之间的流行维度分布相似性因数，“+”表示所述第一至第四特征图中相对应位置处的元素相加。
[0022]在上述光纤网络威胁智能感知方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示光纤网络的安全等级，包括：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W
n
，B
n
)：...：(W1，B1)|
[0037]其中，F1表示所述第一特征图，F2表示所述第二特征图，F3表示所述第三特征图，F4表示所述第四特征图，w1表示所述第一特征图与其他特征图之间的流行维度分布相似性因数，w2表示所述第二特征图与其他特征图之间的流行维度分布相似性因数，w3表示所述第三特征图与其他特征图之间的流行维度分布相似性因数，w4表示所述第四特征图与其他特征图之间的流行维度分布相似性因数，“+”表示所述第一至第四特征图中相对应位置处的元素相加。
[0038]在上述光纤网络威胁智能感知系统中，所述分类单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W
n
，B
n
)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置矩阵。
[0039]根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光纤网络威胁智能感知方法，其特征在于，包括：获取光纤网络的在多个预定时间点的各路信号数据，其中，所述各路信号数据包括拒绝服务攻击数据、远程非法访问攻击数据、超级用户特权非法访问攻击数据和探测攻击数据；将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为第一至第四输入矩阵后通过卷积神经网络模型以获得第一至第四特征图；计算所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数，其中，所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数为以每两个所述特征图中各个相应位置的特征值之间的距离的加权和的对数函数值的加权和；以所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数计算所述第一至第四特征图中每个特征图的加权和以获得分类特征图；将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示光纤网络的安全等级。2.根据权利要求1所述的光纤网络威胁智能感知方法，其中，将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为第一至第四输入矩阵后通过卷积神经网络模型以获得第一至第四特征图，包括：将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为所述第一至第四输入矩阵；使用所述卷积神经网络模型的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述卷积神经网络模型的最后一层生成所述第一至第四特征图，其中，所述卷积神经网络模型的第一层的输入为所述第一至第四输入矩阵。3.根据权利要求2所述的光纤网络威胁智能感知方法，其中，计算所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数，包括：以如下公式计算所述第一至第四特征图中每个特征图与其他特征图之间的所述衍生信息超凸度量因数；其中，所述公式为：其中f
i
表示第一个特征图中的各个位置的特征值，f
j
表示第二个特征图中的各个位置的特征值，|
·
|表示所述第一个特征图与所述第二个特征图之间的距离。4.根据权利要求3所述的光纤网络威胁智能感知方法，其中，以所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数计算所述第一至第四特征图中每个特征图的加权和以获得分类特征图，包括：将所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数，以如下公式计算所述第一至第四特征图中每个特征图的加权和以获得所述分类特征图；
其中，所述公式为：F＝w1F1+w2F2+w3F3+w4F4其中，F1表示所述第一特征图，F2表示所述第二特征图，F3表示所述第三特征图，F4表示所述第四特征图，w1表示所述第一特征图与其他特征图之间的流行维度分布相似性因数，w2表示所述第二特征图与其他特征图之间的流行维度分布相似性因数，w3表示所述第三特征图与其他特征图之间的流行维度分布相似性因数，w4表示所述第四特征图与其他特征图之间的流行维度分布相似性因数，“+”表示所述第一至第四特征图中相对应位置处的元素相加。5.根据权利要求4所述的光纤网络威胁智能感知方法，其中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示光纤网络的安全等级，包括：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表...

【专利技术属性】
技术研发人员：曾曼芝，张八零，
申请(专利权)人：温州静雅新材料技术有限公司，
类型：发明
国别省市：