一种资源的异常检测方法、装置及设备制造方法及图纸

本发明专利技术提供一种资源的异常检测方法、装置及设备，所述方法包括：获取网络资源；将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；根据映射后的所述哈希直方图，采用训练好的预设资源异常检测模型对所述网络资源进行异常检测，得到异常检测结果。本发明专利技术的方案可以快速找出异常的网络资源的数据，便于及时处理，提高了网络资源的异常检测的精度，保障了使用网络资源的用户安全，有效提高了传输网络资源的利用率，提升了用户业务交付体验。提升了用户业务交付体验。提升了用户业务交付体验。

【技术实现步骤摘要】
一种资源的异常检测方法、装置及设备


[0001]本专利技术涉及数据检测
，特别是指一种资源的异常检测方法、装置及设备。

技术介绍

[0002]随着网络安全领域的发展，研究者提出了大量的资源异常检测方法，由于网络资源本身的非线性和动态性，机器学习的方法被广泛应用于异常检测。基于机器学习的异常检测方法通常可以归结为一个分类问题，但是针对如何构建分类检测向量，如何选择合适的分类器并没有深入的研究工作，针对异常检测领域中分类器的训练问题相关研究工作也比较少。

技术实现思路

[0003]本专利技术要解决的技术问题是提供一种资源的异常检测方法、装置及设备，可以快速找出异常的网络资源的数据，便于及时处理，提高了网络资源的异常检测的精度，保障了使用网络资源的用户安全，有效提高了传输网络资源的利用率，提升了用户业务交付体验。
[0004]为解决上述技术问题，本专利技术的技术方案如下：一种资源的异常检测方法，所述方法包括：获取网络资源；将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；根据映射后的所述哈希直方图，采用训练好的预设资源异常检测模型对所述网络资源进行异常检测，得到异常检测结果。
[0005]可选的，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图，包括：按照网络资源的维度，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；所述维度包括：源网际互连协议IP，目的网际互连协议IP，源端口和目的端口。
[0006]可选的，按照网络资源的维度，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图，包括：获取网络资源的每个维度对应的一个哈希函数和一个数组；通过所述哈希函数把所述网络资源的数据映射到所述数组中，得到至少一个映射后的哈希直方图；其中，所述数组中的每一位数对应一个计数器，所述计数器用于记录映射到对应的数所在位置上的网络资源的数据。
[0007]可选的，所述预设资源异常检测模型通过以下过程进行训练：获取上一时间窗口的训练集数据和异常检测结果；根据所述上一时间窗口的异常检测结果，对所述上一时间窗口的训练集数据进行数据增减处理，得到训练特征数据；将所述训练特征数据输入支持向量数据描述网络模型进行训练，得到预设资源异常检测模型。
[0008]可选的，将所述训练特征数据输入支持向量数据描述网络模型进行训练，得到预
设资源异常检测模型，包括：将所述训练特征数据输入支持向量数据描述网络模型的输入层进行处理，得到第一输出；将所述第一输出，输入所述向量数据描述网络模型的中间层进行处理，得到第二输出；将所述第二输出，输入所述向量数据描述网络模型的求解层进行处理，得到预设资源异常检测模型。
[0009]可选的，将所述第二输出，输入所述向量数据描述网络模型的求解层进行处理，得到预设资源异常检测模型，包括：通过公式对第二输出进行处理，得到预设资源异常检测模型；其中，，x
i
为第i个向量数据，x
j
为第j个向量数据，a
i
为第i个拉格朗日乘子，a
j
为第j个拉格朗日乘子，，为映射函数，为核函数，，δ为核函数的参数，参数δ用于影响数据在高维特征空间H中分布的复杂程度。
[0010]可选的，当所述第i个向量数据x
i
满足条件时，第i个拉格朗日乘子0<a
i
<C；其中，为映射函数，a为第一分类参数，R为第二分类参数，ζ
i
为松弛变量；当所述第i个向量数据x
i
不满足条件时，第i个拉格朗日乘子a
i
=C，其中，C为惩罚参数。
[0011]本专利技术提供一种资源的异常检测装置，所述装置包括：获取模块，用于获取网络资源数据；处理模块，用于将所述网络资源数据映射到哈希直方图，得到映射后的哈希直方图；根据映射后的所述哈希直方图，采用训练好的预设资源异常检测模型对所述网络资源数据进行异常检测，得到异常检测结果。
[0012]本专利技术还提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述方法的步骤。
[0013]本专利技术还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述的方法。
[0014]本专利技术的上述方案至少包括以下有益效果：通过获取网络资源；将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；根据映射后的所述哈希直方图，采用训练好的预设资源异常检测模型对所述网络资源进行异常检测，得到异常检测结果；本专利技术的方案通过增减式的在线学习方法可以快速找出异常的网络资源的数据，便于及时处理，提高了网络资源的异常检测的精度，保障了使用
网络资源的用户安全，有效提高了传输网络资源的利用率，提升了用户业务交付体验。
附图说明
[0015]图1是本专利技术实施例提供的资源的异常检测方法的流程图；图2是本专利技术提供的具体的实施例中网络资源映射到哈希直方图的流程图；图3是本专利技术实施例提供的资源的异常检测装置的模块图。
具体实施方式
[0016]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。
[0017]如图1所示，本专利技术的实施例提供一种资源的异常检测方法，所述方法包括：步骤11，获取网络资源；步骤12，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；步骤13，根据映射后的所述哈希直方图，采用训练好的预设资源异常检测模型对所述网络资源进行异常检测，得到异常检测结果。
[0018]该实施例中，获取网络资源，该网络资源优选以时间窗口划分，将其中一个时间窗口的网络资源映射到哈希直方图上，在映射后的哈希直方图上以训练好的预设资源异常检测模型进行异常检测，得到异常检测结果，其中，该预设资源异常检测模型优选为非监督式的SVDD（support vector data description，支持向量数据描述）模型；通过增减式的在线学习方法可以快速找出异常的网络资源的数据，便于及时处理，提高了网络资源的异常检测的精度，保障了使用网络资源的用户安全，有效提高了传输网络资源的利用率，提升了用户业务交付体验；需要说明的是，当网络资源优选以时间窗口划分时，网络资源在网络模型内随着部署地点和时间不断变化特征，采用增减式在线学习的方法对训练好的预设资源异常检测模型进行不断训练，根据时间窗口不断地对预设资源异常检测模型进行迭代训练，可以提高异常检测系统的精度，减少训练成本。
[0019]本专利技术一可选的实施例中，步骤12包括：步骤121，按照网络资源的维度，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；所述维度包括：源网际互连协议IP，目的网际互连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源的异常检测方法，其特征在于，所述方法包括：获取网络资源；将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；根据映射后的所述哈希直方图，采用训练好的预设资源异常检测模型对所述网络资源进行异常检测，得到异常检测结果。2.根据权利要求1所述的资源的异常检测方法，其特征在于，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图，包括：按照网络资源的维度，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图；所述维度包括：源网际互连协议IP，目的网际互连协议IP，源端口和目的端口。3.根据权利要求2所述的资源的异常检测方法，其特征在于，按照网络资源的维度，将所述网络资源映射到哈希直方图，得到映射后的哈希直方图，包括：获取网络资源的每个维度对应的一个哈希函数和一个数组；通过所述哈希函数把所述网络资源的数据映射到所述数组中，得到至少一个映射后的哈希直方图；其中，所述数组中的每一位数对应一个计数器，所述计数器用于记录映射到对应的数所在位置上的网络资源的数据。4.根据权利要求3所述的资源的异常检测方法，其特征在于，所述预设资源异常检测模型通过以下过程进行训练：获取上一时间窗口的训练集数据和异常检测结果；根据所述上一时间窗口的异常检测结果，对所述上一时间窗口的训练集数据进行数据增减处理，得到训练特征数据；将所述训练特征数据输入支持向量数据描述网络模型进行训练，得到预设资源异常检测模型。5.根据权利要求4所述的资源的异常检测方法，其特征在于，将所述训练特征数据输入支持向量数据描述网络模型进行训练，得到预设资源异常检测模型，包括：将所述训练特征数据输入支持向量数据描述网络模型的输入层进行处理，得到第一输出；将所述第一输出，输入所述向量数据描述网络模型的中间层进行处理，得到第二输出；将所述第二输出，输入所述向量数据描述网络模型的求解层进行处理，得到预设资源异...

【专利技术属性】
技术研发人员：杨贻宏，
申请(专利权)人：上海飞旗网络技术股份有限公司，
类型：发明
国别省市：