网络入侵数据分类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种网络入侵数据分类方法、装置、电子设备及存储介质，其中所述网络入侵检测方法包括：对采集的流量数据进行预处理，得到待分类流量数据；将待分类流量数据输入分类检测模型池，得到分类检测模型池中各分类检测模型输出的初始分类结果；分类检测模型包括第一模型组、第二模型组及目标堆叠稀疏自编码网络模型；第一模型组包括N个目标深度信念网络模型，第二模型组包括目标条件变分自编码器和目标深度神经网络模型；将各初始分类结果进行融合处理，得到目标分类结果。通过上述方法，提高了网络入侵数据分类的准确率。高了网络入侵数据分类的准确率。高了网络入侵数据分类的准确率。

【技术实现步骤摘要】
网络入侵数据分类方法、装置、电子设备及存储介质


[0001]本专利技术涉及计算机
，尤其涉及一种网络入侵数据分类方法、装置、电子设备及存储介质。

技术介绍

[0002]随着大数据、互联网与物联网等技术的快速发展，日益复杂的网络活动对网络系统安全提出了更高的要求；其中，网络入侵数据分类是业界研究的热门课题。
[0003]相关技术中，通常利用机器学习的方式对网络入侵数据进行检测以实现对网络入侵数据的分类；然而，现代化网络入侵向着复杂化、分布化、规模化等方向发展，面对更加智能化的网络入侵，基于传统浅层机器学习对网络入侵数据进行检测时，会面临特征不平衡、类别不平衡及未知网络入侵数据的情况，进而导致基于传统浅层机器学习难以对网络入侵数据进行精确分类。
[0004]因此，如何提高网络入侵数据分类的准确率是目前亟待解决的问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术实施例提供一种网络入侵数据分类方法、装置、电子设备及存储介质。
[0006]本专利技术提供一种网络入侵数据分类方法，包括：
[0007]对采集的流量数据进行预处理，得到待分类流量数据；
[0008]将所述待分类流量数据输入分类检测模型池，得到所述分类检测模型池中各分类检测模型输出的初始分类结果；所述分类检测模型包括第一模型组、第二模型组及目标堆叠稀疏自编码网络模型；所述第一模型组包括N个目标深度信念网络模型，所述第二模型组包括目标条件变分自编码器和目标深度神经网络模型，N为正整数；/>[0009]将各所述初始分类结果进行融合处理，得到目标分类结果。
[0010]可选地，所述将各所述初始分类结果进行融合处理，得到目标分类结果，包括：
[0011]获取每一个所述分类检测模型对应的分类准确率及分类召回率；所述分类准确率及所述分类召回率是在对所述分类检测模型进行训练的过程中得到的；
[0012]针对每一个所述分类检测模型，基于所述分类准确率及所述分类召回率，确定所述分类检测模型对应的权重值；所述权重值用于表征所述分类检测模型的分类效果；
[0013]基于所述待分类流量数据，确定所述待分类流量数据针对各所述分类检测模型的专注向量；所述专注向量用于表征所述待分类流量数据与各所述分类检测模型的关联程度；
[0014]将每一个所述分类检测模型的所述初始分类结果、所述权重值及所述专注向量进行融合处理，得到所述目标分类结果。
[0015]可选地，所述第一模型组通过以下方式训练得到：
[0016]利用密度峰值聚类算法对流量数据样本进行划分，得到N个流量数据样本子集；每
一个所述流量数据样本子集对应一个初始深度信念网络模型；
[0017]将每一个所述流量数据样本子集输入对应的所述初始深度信念网络模型进行训练，得到N个所述目标深度信念网络模型。
[0018]可选地，所述第一模型组输出的初始分类结果通过以下方式得到：
[0019]利用密度峰值聚类算法对所述待分类流量数据进行划分，得到N个待分类流量数据子集；每一个所述待分类流量数据子集对应一个所述目标深度信念网络模型；N为正整数；
[0020]将每一个所述待分类流量数据子集输入对应的所述目标深度信念网络模型，得到N个所述目标深度信念网络模型输出的N个第一分类结果；
[0021]基于所述待分类流量数据，确定所述待分类流量数据针对各所述待分类流量数据子集的从属系数；各所述从属系数用于表征所述待分类流量数据与各所述待分类流量数据子集的关联程度；
[0022]基于N个所述从属系数及N个所述第一分类结果，确定所述初始分类结果。
[0023]可选地，所述第二模型组通过以下方式训练得到：
[0024]将第一流量数据样本输入初始条件变分自编码器进行训练，得到所述目标条件变分自编码器；
[0025]将目标流量数据样本的标签输入所述目标条件变分自编码器，得到所述目标流量数据样本；
[0026]将所述第一流量数据样本及所述目标流量数据样本输入初始深度神经网络模型进行训练，得到所述目标深度神经网络模型。
[0027]可选地，所述目标堆叠稀疏自编码网络模型通过以下方式训练得到：
[0028]将流量数据样本输入初始堆叠稀疏自编码网络模型，得到所述初始堆叠稀疏自编码网络模型对应的参数集；
[0029]基于所述参数集对所述初始堆叠稀疏自编码网络模型进行训练，直至损失函数达到预设阈值，得到所述目标堆叠稀疏自编码网络模型。
[0030]本专利技术还提供一种网络入侵数据分类装置，包括：
[0031]预处理模块，用于对采集的流量数据进行预处理，得到待分类流量数据；
[0032]第一输入模块，用于将所述待分类流量数据输入分类检测模型池，得到所述分类检测模型池中各分类检测模型输出的初始分类结果；所述分类检测模型包括第一模型组、第二模型组及目标堆叠稀疏自编码网络模型；所述第一模型组包括N个目标深度信念网络模型，所述第二模型组包括目标条件变分自编码器和目标深度神经网络模型，N为正整数；
[0033]融合模块，用于将各所述初始分类结果进行融合处理，得到目标分类结果。
[0034]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述网络入侵数据分类方法。
[0035]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述网络入侵数据分类方法。
[0036]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述网络入侵数据分类方法。
[0037]本专利技术提供的网络入侵数据分类方法、装置、电子设备及存储介质，由于分类检测模型池中的第一模型组包括N个目标深度信念网络模型，第二模型组包括目标条件变分自编码器和目标深度神经网络模型；因此，将待分类流量数据输入N个目标深度信念网络模型，实现了将待分类流量数据进行多维度的特征表达，在待分类流量数据具有高维度或特征数量较多的情况下，降低了对待分类流量数据的漏报率与误报率，从而可以避免特征不平衡的问题；将待分类流量数据输入第二模型组中的目标条件变分自编码器，可以扩充指定类别的流量数据样本的数量，基于扩充的流量数据样本训练出的目标深度神经网络模型，分类准确率更高，从而可以避免类别不平衡的问题，进而提高了对待分类流量数据进行分类的准确率；将待分类流量输入目标堆叠稀疏自编码网络模型，针对未知类型的待分类流量数据，通过目标堆叠稀疏自编码网络模型对待分类流量数据进行多层次特征属性表现与学习，高效提取各种待分类流量数据特征，实现对未知类型的待分类流量数据的识别，从而可以避免未知类别入侵检测问题；将分类检测模型池中各分类检测模型输出的初始分类结果进行融合处理，进一步提高网络入侵数据分类的准确率。
附图说明
[0038]为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络入侵数据分类方法，其特征在于，包括：对采集的流量数据进行预处理，得到待分类流量数据；将所述待分类流量数据输入分类检测模型池，得到所述分类检测模型池中各分类检测模型输出的初始分类结果；所述分类检测模型包括第一模型组、第二模型组及目标堆叠稀疏自编码网络模型；所述第一模型组包括N个目标深度信念网络模型，所述第二模型组包括目标条件变分自编码器和目标深度神经网络模型，N为正整数；将各所述初始分类结果进行融合处理，得到目标分类结果。2.根据权利要求1所述的网络入侵数据分类方法，其特征在于，所述将各所述初始分类结果进行融合处理，得到目标分类结果，包括：获取每一个所述分类检测模型对应的分类准确率及分类召回率；所述分类准确率及所述分类召回率是在对所述分类检测模型进行训练的过程中得到的；针对每一个所述分类检测模型，基于所述分类准确率及所述分类召回率，确定所述分类检测模型对应的权重值；所述权重值用于表征所述分类检测模型的分类效果；基于所述待分类流量数据，确定所述待分类流量数据针对各所述分类检测模型的专注向量；所述专注向量用于表征所述待分类流量数据与各所述分类检测模型的关联程度；将每一个所述分类检测模型的所述初始分类结果、所述权重值及所述专注向量进行融合处理，得到所述目标分类结果。3.根据权利要求1或2所述的网络入侵数据分类方法，其特征在于，所述第一模型组通过以下方式训练得到：利用密度峰值聚类算法对流量数据样本进行划分，得到N个流量数据样本子集；每一个所述流量数据样本子集对应一个初始深度信念网络模型；将每一个所述流量数据样本子集输入对应的所述初始深度信念网络模型进行训练，得到N个所述目标深度信念网络模型。4.根据权利要求1所述的网络入侵数据分类方法，其特征在于，所述第一模型组输出的初始分类结果通过以下方式得到：利用密度峰值聚类算法对所述待分类流量数据进行划分，得到N个待分类流量数据子集；每一个所述待分类流量数据子集对应一个所述目标深度信念网络模型；N为正整数；将每一个所述待分类流量数据子集输入对应的所述目标深度信念网络模型，得到N个所述目标深度信念网络模型输出的N个第一分类结果；基于所述待分类流量数据，确定所述待分类流量数据针对...

【专利技术属性】
技术研发人员：王睿，冯海瑜，柴森春，张天栋，王硕，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：