本发明专利技术涉及网络安全技术领域，具体涉及一种用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统。包括客户端和服务端。服务端包括数据库单元、检索单元和优化单元。检索单元用于为客户端提供针对数据库单元中的代价敏感深度自编码器物联网网络异常检测模型的检索服务。优化单元用于设定统计周期，根据设定的统计周期，统计统计周期内使用到的检索关键词，根据检索关键词的使用次数确定其权重。基于统计周期内的检索关键词及其权重筛选出数据库单元中相关度最高的N个模型，并推送至客户端。其能够有效地提高对相关技术文件的筛选精确度和筛选效率，辅助提高代价敏感深度自编码器物联网网络异常检测模型的优化、迭代速度。速度。
【技术实现步骤摘要】
一种用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统
[0001]本专利技术涉及网络安全
，具体而言，涉及一种用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统。
技术介绍
[0002]物联网正在高速发展，各种人和事物都通过物联网网络连接着。然而，如何处理物联网网络中产生的复杂海量数据是一个重大挑战，而如何从这些海量的数据中高效、准确地识别出网络攻击，难度就更高了。目前，代价敏感深度自编码器物联网网络异常检测模型在复杂海量数据中检测出小样本的网络攻击时表现较好，但是，目前代价敏感深度自编码器物联网网络异常检测模型优化迭代速度较慢，开发周期较长，在开发和优化模型的过程中，借鉴现有技术是一种常用的能够提高工作效率的有效途径，但是目前技术文献数量相当庞大，对于开发人员而言，要从海量的技术蚊香中筛选出与研发课题高度相关的技术文件相当费时费力，同时也会占用研发内容的攻关时间，不利于模型研究的提速，也不利于适应高速演变的网络环境。
[0003]有鉴于此，特提出本申请。
技术实现思路
[0004]本专利技术的目的在于提供一种用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统，其能够有效地提高对相关技术文件的筛选精确度和筛选效率，有助于提高研发人员的工作效率，辅助提高代价敏感深度自编码器物联网网络异常检测模型的优化、迭代速度，降低开发人员负担，促进模型体系的快速完善。
[0005]本专利技术的实施例是这样实现的：
[0006]一种用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统，其包括：客户端和服务端。客户端和服务端通讯连接。
[0007]服务端包括数据库单元、检索单元和优化单元。
[0008]数据库单元用于存储代价敏感深度自编码器物联网网络异常检测模型。检索单元用于为客户端提供针对数据库单元中的代价敏感深度自编码器物联网网络异常检测模型的检索服务。
[0009]优化单元用于执行自动优化服务流程，自动优化服务流程包括：
[0010]设定统计周期。
[0011]根据设定的统计周期，统计统计周期内使用到的检索关键词，根据检索关键词的使用次数确定其权重。
[0012]基于统计周期内的检索关键词及其权重筛选出数据库单元中相关度最高的N个模型，将筛选出的模型推送至客户端。
[0013]进一步地，自动优化服务流程还包括：
[0014]为推送的模型设定评分机制，收集用户对推荐的模型的评分结果作为初始参考分值。
[0015]设定筛选比例Q％，将初始参考分值最高的前Q％的模型作为参考样本。
[0016]基于统计周期内的检索关键词及其权重筛选出数据库单元中相关度最高的2N个模型，从该2N个模型中筛选出与参考样本相关度最高的N个模型，将筛选出的该N个模型推送至客户端。
[0017]进一步地，自动优化服务流程还包括：
[0018]从该2N个模型中筛选出与参考样本相关度最高的N个模型并推送至客户端后，收集用户的评分结果作为第一参考期分值。
[0019]设定参考期和评分波动百分比阈值，参考期至少为一个统计周期。
[0020]若在整个参考期中，第一参考期分值中的模型平均得分和模型最高得分均比初始参考分值中低，且得分数值波动大于或等于初始参考分值与评分波动百分比阈值的乘积，则基于参考样本筛选出数据库单元中相关度最高的2N个模型，从该2N个模型中筛选出与统计周期内的检索关键词及其权重相关度最高的N个模型，将筛选出的该N个模型推送至客户端。
[0021]进一步地，自动优化服务流程还包括：
[0022]从该2N个模型中筛选出与统计周期内的检索关键词及其权重相关度最高的N个模型并推送至客户端后，收集用户的评分结果作为第二参考期分值。
[0023]若在整个参考期中，第二参考期分值中的模型平均得分和模型最高得分均比初始参考分值中低，且得分数值波动大于或等于初始参考分值与评分波动百分比阈值的乘积，则进行主动采样。
[0024]主动采样包括：
[0025]以参考样本中得分最高的1个模型作为检索依据，筛选出与其相关度最高的1个模型；以参考样本中得分最高的2个模型作为检索依据，筛选出与其相关度最高的1个模型；
······
以参考样本中得分最高的S个模型作为检索依据，筛选出与其相关度最高的1个模型。将检索出的模型汇总作为第一模型结果。
[0026]分别将参考样本中的各个模型单独作为检索依据，针对各个检索依据分别筛选出与其相关度最高的S个模型，将针对各个检索依据筛选出的模型汇总作为二次检索对象，将参考样本中全部的模型作为检索依据从二次检索对象中筛选出相关度最高的S个模型，作为第二模型结果。
[0027]将第一模型结果和第二模型结果汇总作为最终检索对象，将参考样本中全部的模型作为检索依据从最终检索对象中筛选出相关度最高的S个模型推送至客户端。
[0028]其中，S的数值与参考样本中模型的数量相同。
[0029]进一步地，主动采样还包括：
[0030]获取用户对该S个模型的评分结果。
[0031]设定监测期，监测期至少为一个统计周期。
[0032]若在整个监测期内，该S个模型的模型平均得分和模型最高得分中至少有一者没有低至或低于评分波动百分比阈值对应的波动范围，则对参考样本中全部的模型进行聚类分析，将聚类结果所对应的模型特征作为补充关键词。将原参考样本中全部的模型移除，基
于设定的筛选比例Q％确定新的参考样本。
[0033]基于补充关键词、检索关键词及其权重筛选出数据库单元中相关度最高的2N个模型，从该2N个模型中筛选出与新的参考样本相关度最高的N个模型，将筛选出的该N个模型推送至客户端。
[0034]进一步地，若一检索关键词在不同统计周期中连续出现，需要对该检索关键词的权重进行更新，该检索关键词的第一更新权重计算方式为：
[0035][0036]其中，m为最初的权重，a＞0，b1＞0，x为经过的统计周期数。
[0037]进一步地，设定权重上限阈值，若一检索关键词在不同统计周期中连续出现，当该关键词的第一更新权重大于或等于权重上限阈值时，将该检索关键词转换为检索标签，每次执行检索操作时将检索标签作为默认检索条件。
[0038]进一步地，服务端还包括自检单元，自检单元用于执行自检流程，自检流程包括：
[0039]设定自检周期。
[0040]根据设定的自检周期将检索标签发送至客户端，供用户确认是否保留。
[0041]进一步地，若一检索关键词从某一统计周期开始不在出现，则将该检索关键词列入观察名单，并对该检索关键词的权重进行更新，该检索关键词的第二更新权重计算方式为：
[0042][0043]其中，m为最初的权重，a＞0，b2＞0，x为经过的统计周期数，且
[0044]若该检索关键词在其更新权重归零后仍未再次在后续的统计周期的检索关键词中出现，则将该检索关键词本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统，其特征在于，包括：客户端和服务端；所述客户端和所述服务端通讯连接；所述服务端包括数据库单元、检索单元和优化单元；所述数据库单元用于存储所述代价敏感深度自编码器物联网网络异常检测模型；所述检索单元用于为所述客户端提供针对所述数据库单元中的所述代价敏感深度自编码器物联网网络异常检测模型的检索服务；所述优化单元用于执行自动优化服务流程，所述自动优化服务流程包括：设定统计周期；根据设定的所述统计周期，统计所述统计周期内使用到的检索关键词，根据所述检索关键词的使用次数确定其权重；基于所述统计周期内的所述检索关键词及其权重筛选出所述数据库单元中相关度最高的N个模型，将筛选出的模型推送至所述客户端。2.根据权利要求1所述的用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统，其特征在于，所述自动优化服务流程还包括：为推送的模型设定评分机制，收集用户对推荐的模型的评分结果作为初始参考分值；设定筛选比例Q％，将所述初始参考分值最高的前Q％的模型作为参考样本；基于所述统计周期内的所述检索关键词及其权重筛选出所述数据库单元中相关度最高的2N个模型，从该2N个模型中筛选出与所述参考样本相关度最高的N个模型，将筛选出的该N个模型推送至所述客户端。3.根据权利要求2所述的用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统，其特征在于，所述自动优化服务流程还包括：从该2N个模型中筛选出与所述参考样本相关度最高的N个模型并推送至所述客户端后，收集用户的评分结果作为第一参考期分值；设定参考期和评分波动百分比阈值，所述参考期至少为一个所述统计周期；若在整个所述参考期中，所述第一参考期分值中的模型平均得分和模型最高得分均比所述初始参考分值中低，且得分数值波动大于或等于所述初始参考分值与所述评分波动百分比阈值的乘积，则基于所述参考样本筛选出所述数据库单元中相关度最高的2N个模型，从该2N个模型中筛选出与所述统计周期内的所述检索关键词及其权重相关度最高的N个模型，将筛选出的该N个模型推送至所述客户端。4.根据权利要求3所述的用于代价敏感深度自编码器物联网网络异常检测模型的辅助系统，其特征在于，所述自动优化服务流程还包括：从该2N个模型中筛选出与所述统计周期内的所述检索关键词及其权重相关度最高的N个模型并推送至所述客户端后，收集用户的评分结果作为第二参考期分值；若在整个所述参考期中，所述第二参考期分值中的模型平均得分和模型最高得分均比所述初始参考分值中低，且得分数值波动大于或等于所述初始参考分值与所述评分波动百分比阈值的乘积，则进行主动采样；所述主动采样包括：以所述参考样本中得分最高的1个模型作为检索依据，筛选出与其相关度最高的1个模型；以所述参考样本中得分最高的2个模型作为检索依据，筛选出与其相关度最高的1个模
型；
······
以所述参考样本中得分最高的S个模型作为检索依据，筛选出与其相关度最高的1个模型；将检索出的模型汇总作为第一模型结果；分别将所述参考样本中的各个模型单独作为检索依据，针对各个检索依据分别筛选出与其相关度最高的S个模型，将针对各个检索依据筛选出的模型汇总作为二次检索对象，将所述参考样本中全部的模型作为检索依据从所述二次检索对象中筛选出相关度最高的S个模型，作为第二模型结果；将所述第一模型结果和所述第二模型结果汇总作为最终检索对象，将所述参考样本中全...
【专利技术属性】
技术研发人员：黄智勇，林仁明，
申请(专利权)人：林仁明，
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。