基于卷积循环神经网络的异常网络请求识别模型生成方法技术

本发明专利技术提供一种基于卷积循环神经网络的异常网络请求识别模型生成方法，通过大量有效数据训练构建异常网络流量识别模型，采用卷积循环神经网络算法不断迭代提升识别的有效性和精准度，实现自动、高效、及时识别拦截；能够利用卷积循环神经网络快速提取异常流量特征、能够对异常流量时间序列进行准确排列、能够对实时网络请求精准分类(异常/非异常/可能异常)、能够对时间连续性网络攻击能够进行更精准的识别与防御；同时本发明专利技术所选模型作为经验模型，所需投入的人工和其他成本更低。所需投入的人工和其他成本更低。所需投入的人工和其他成本更低。

【技术实现步骤摘要】
基于卷积循环神经网络的异常网络请求识别模型生成方法


[0001]本专利技术涉及网络异常流量分析识别
，特别是涉及一种基于卷积循环神经网络的异常网络请求识别模型生成方法。

技术介绍

[0002]随着互联网技术的快速发展，网络安全事件频发、网络空间形势日益严峻，异常网络请求更是屡屡成为网络攻击的先锋，对于网空防御尤其是网络安全保障而言，发现、识别和拦截异常网络请求就显得至关重要。
[0003]当前网络异常流量识别的主流技术方案是通过预设规则对异常请求进行识别、拦截、分析、过滤等操作，该方案对常见已知特征的异常请求效果良好，但对复杂未知特征的异常请求效果堪忧，须凭借经验丰富的技术人员手动进行分析、识别、拦截等工作，耗费大量人力同时还经常出现发现不及时、拦截不全面、识别不准确等情况，难以应对现实网络威胁。

技术实现思路

[0004]本专利技术针对复杂网络异常流量识别技术存在的不足，提出一种基于卷积循环神经网络的异常网络请求识别模型生成方法，通过大量有效数据训练构建异常网络流量识别模型，采用卷积循环神经网络算法不断迭代提升识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积循环神经网络的网络异常请求识别模型生成方法，其特征是，具体步骤如下：步骤1、完成数据准备，从网络渠道获取大量训练数据作为模型预训练数据集，从服务器获取历史请求数据作为模型训练数据集；步骤2、将数据集按比例拆分为训练集和测试集，训练集用于模型训练过程，测试集用于模型验证过程；步骤3、完成基于卷积循环神经网络的网络异常请求识别模型的模型定义；步骤4、根据数据集信息完成模型初始化与训练参数配置；步骤5、对模型进行预训练，利用预训练数据进行模型预训练，使得模型对网络常见异常请求类型具有基本识别能力；通过现有数据包对模型进行预训练，可以使得模型具有泛化能力，能够对网络常见异常请求类型具有基本识别能力；步骤6、对模型进行训练，利用服务器数据对模型进行训练，针对服务器常见异常请求对模型进行优化，对于预训练模型，使用服务器网络请求数据集，对模型进行二次训练，调整模型对于服务器常见异常请求类型的权重参数，从而提高基于服务器的异常请求识别准确率；步骤7、对模型进行数据验证，利用测试集数据对模型进行验证，给出模型异常请求识别正确率，根据实际情况进行模型微调。2.根据权利要求1所述的一种基于卷积循环神经网络的网络异常请求识别模型生成方法，其特征在于，所述步骤2中，模型的训练为有监督训练，输出即为该条网络请求类型：异常、非异常、可能异常。3.根据权利要求2所述的一种基于卷积循环神经网络的网络异常请求识别模型生成方法，其特征在于，异常类型是指在网络请求记录中，该条及其同类型网络请求造成了服务器异常；非异常类型是指在网络请求记录中，该条及其同类型网络请求被服务器正常执行；可能异常类型是指在网络请求记录中，该条及其同类型网络请求存在造成服务器异常的情况，也有被服务器正常执行的情况。4.根据权利要求1所述的一种基于卷积循环神经网络的网络异常请求识别模型生成方法，其特征在于，所述步骤2中，数据集包括网络渠道获取到的拥有大量训练数据的数据包和服务器历史请求数据两类。5.根据权利要求4所述的一种基于卷积循环神经网络的网络异常请求识别模型生成方法，其特征在于，所述数据集的处理过程如下：步骤2.1、将数据集进行按照报文信息进行处理，形成包含以下属性的数据信息：源IP地址、目标IP地址、源端口、目标端口、协议、数据包长度、时间戳、标志、数据、数据结果；步骤2.2、将数据信息中的前7项作为输入层数据，最后1项作为输出层数据，形成有效数据集；步骤2.3、将数据集进行划分，得到训练数据集和验证数据集，训练数据集和验证数据集不存在数据重叠。6.根据权利要求5所述的一种基于卷积循环神经网络的网络异常请求识别模型生成方法，其特征在于，所述步骤2.1中，源IP地址和目标IP地址分别表示发送数据报文的主机和接收数据报文的主机的IP地址；源端口...

【专利技术属性】
技术研发人员：张兆心，龙刚，程亚楠，王伟，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：