用于网络技术服务的信息处理方法及系统技术方案

本发明专利技术公开了一种用于网络技术服务的信息处理方法及系统

【技术实现步骤摘要】
用于网络技术服务的信息处理方法及系统


[0001]本申请涉及智能化监测领域，且更为具体地，涉及一种用于网络技术服务的信息处理方法及系统
。

技术介绍

[0002]随着网络技术的不断发展和普及，网络安全问题日益突出
。
黑客攻击
、
病毒和恶意软件等威胁不断涌现，给网络安全带来了巨大的挑战
。
网络技术服务是指提供各种与网络相关的技术支持和服务，其中，网络安全监测是一项重要的网络技术服务，用于保护网络和系统免受黑客攻击
、
病毒和恶意软件等威胁
。
[0003]为了保障网络和系统的安全稳定，在网络技术服务的过程中，需要及时发现和处理网络安全问题，提高网络安全性和稳定性
。
然而，传统的网络安全监测方法主要基于人工编写规则和签名的方式，难以覆盖所有的攻击方式和病毒变种，导致网络安全监测的准确性较低
、
漏报率较高
。
并且，随着网络攻击方式越来越复杂，传统的网络安全监测方法难以应对这些复杂的攻击，导致监测系统的安全性和稳定性受到威胁
。
[0004]因此，期望一种优化的用于网络技术服务的信息处理方案，其能够有效地识别网络流量中的异常情况，提高网络安全性和稳定性
。

技术实现思路

[0005]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用于网络技术服务的信息处理方法及系统
。
其首先将多个预定时间点的网络流量值排列为网络流量时序输入向量后计算其相邻两个网络流量值之间的差值以得到网络流量变化时序输入向量，接着，将所述网络流量时序输入向量和所述网络流量变化时序输入向量进行级联后通过网络流量模式特征提取器以得到网络流量时序特征向量，然后，基于高斯密度图对所述网络流量时序特征向量进行特征表达强化后再通过空间注意力模块以得到分类特征矩阵；再将所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益后通过分类器以得到用于表示网络流量是否正常的分类结果
。
这样，可以提高网络安全性和稳定性
。
[0006]根据本申请的一个方面，提供了一种用于网络技术服务的信息处理方法，其包括：
[0007]获取预定时间段内多个预定时间点的网络流量值；
[0008]将所述多个预定时间点的网络流量值按照时间维度排列为网络流量时序输入向量；
[0009]计算所述网络流量时序输入向量中相邻两个预定时间点的网络流量值之间的差值以得到网络流量变化时序输入向量；
[0010]将所述网络流量时序输入向量和所述网络流量变化时序输入向量进行级联以得到网络流量多维度时序输入向量；
[0011]将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量；
[0012]基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵；
[0013]将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵；
[0014]对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到优化分类特征矩阵；以及
[0015]将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示网络流量是否正常
。
[0016]在上述的用于网络技术服务的信息处理方法中，将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量，包括：
[0017]将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第一卷积层以得到第一尺度网络流量特征向量；
[0018]将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第二卷积层以得到第二尺度网络流量特征向量；以及
[0019]融合所述第一尺度网络流量特征向量和所述第二尺度网络流量特征向量以得到所述网络流量时序特征向量
。
[0020]在上述的用于网络技术服务的信息处理方法中，所述网络流量模式特征提取器的第一卷积层和第二卷积层分别采用不同尺度的一维卷积核
。
[0021]在上述的用于网络技术服务的信息处理方法中，基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵，包括：
[0022]使用高斯密度图以如下高斯密度公式构造所述网络流量时序特征向量的强化高斯密度图；
[0023]其中，所述高斯密度公式为：，其中，表示所述网络流量时序特征向量，且的每个位置的值表示所述网络流量时序特征向量中相应两个位置的特征值之间的方差；以及对所述强化高斯密度图的各个位置的高斯分布进行离散化处理以得到所述网络流量时序特征矩阵
。
[0024]在上述的用于网络技术服务的信息处理方法中，将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵，包括：
[0025]所述空间注意力模块的各层在层的正向传递过程中对输入数据分别进行：
[0026]对输入数据进行卷积处理以生成卷积特征图；
[0027]对所述卷积特征图进行池化处理以生成池化特征图；
[0028]对所述池化特征图进行非线性激活以生成激活特征图；
[0029]计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；
[0030]计算所述空间特征矩阵中各个位置的类
Softmax
函数值以获得空间得分矩阵；以及
[0031]计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；
[0032]其中，所述空间注意力模块的最后一层输出的所述特征矩阵为所述分类特征矩阵
。
[0033]在上述的用于网络技术服务的信息处理方法中，将所述优化分类特征矩阵通过分
类器以得到分类结果，所述分类结果用于表示网络流量是否正常，包括：
[0034]将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；
[0035]使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
[0036]将所述编码分类特征向量输入所述分类器的
Softmax
分类函数以得到所述分类结果
。
[0037]在上述的用于网络技术服务的信息处理方法中，对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到优化分类特征矩阵，包括：
[0038]以如下优化公式对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到所述优化分类特征矩阵；其中，所述优化公式为：，其中，是所述分类特征矩阵的尺度，是所述分类特征矩阵的第位置的特征值，表示所述分类特征矩阵的
Frobenius
范数的平方，且是加权超参数，是所述优化分类特征矩阵的第位置的特征值
。...

【技术保护点】

【技术特征摘要】
1.
一种用于网络技术服务的信息处理方法，其特征在于，包括：获取预定时间段内多个预定时间点的网络流量值；将所述多个预定时间点的网络流量值按照时间维度排列为网络流量时序输入向量；计算所述网络流量时序输入向量中相邻两个预定时间点的网络流量值之间的差值以得到网络流量变化时序输入向量；将所述网络流量时序输入向量和所述网络流量变化时序输入向量进行级联以得到网络流量多维度时序输入向量；将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量；基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵；将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵；对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示网络流量是否正常
。2.
根据权利要求1所述的用于网络技术服务的信息处理方法，其特征在于，将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量，包括：将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第一卷积层以得到第一尺度网络流量特征向量；将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第二卷积层以得到第二尺度网络流量特征向量；以及融合所述第一尺度网络流量特征向量和所述第二尺度网络流量特征向量以得到所述网络流量时序特征向量
。3.
根据权利要求2所述的用于网络技术服务的信息处理方法，其特征在于，所述网络流量模式特征提取器的第一卷积层和第二卷积层分别采用不同尺度的一维卷积核
。4.
根据权利要求3所述的用于网络技术服务的信息处理方法，其特征在于，基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵，包括：使用高斯密度图以如下高斯密度公式构造所述网络流量时序特征向量的强化高斯密度图；其中，所述高斯密度公式为：，其中，表示所述网络流量时序特征向量，且的每个位置的值表示所述网络流量时序特征向量中相应两个位置的特征值之间的方差；以及对所述强化高斯密度图的各个位置的高斯分布进行离散化处理以得到所述网络流量时序特征矩阵
。5.
根据权利要求4所述的用于网络技术服务的信息处理方法，其特征在于，将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵，包括：所述空间注意力模块的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类
Softmax
函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述空间注意...

【专利技术属性】
技术研发人员：钟富生，龚政，龚饶，
申请(专利权)人：台州市云谷信息技术有限公司，
类型：发明
国别省市：