【技术实现步骤摘要】
网络流量识别方法及其系统
[0001]本专利技术涉及智能化网络流量识别
,尤其涉及一种网络流量识别方法及其系统
。
技术介绍
[0002]网络流量异常检测是网络安全领域的一个重要研究方向,它旨在及时发现网络中的攻击行为或故障现象,保障网络的正常运行
。
传统的网络流量异常检测方法主要基于统计学或机器学习的理论,利用网络流量的统计特征或者人工提取的特征进行异常判别
。
[0003]然而,这些方法存在以下几个问题:一是难以捕捉网络流量的时序特性,忽略了网络流量在时间维度上的变化规律;二是难以适应网络流量的多样性,无法有效地处理不同类型或不同场景下的网络流量
。
[0004]因此,期待一种优化的方案
。
技术实现思路
[0005]本专利技术实施例提供一种网络流量识别方法及其系统,其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;对所述网络流量时序输入向量进行图像转化以得到网络流量局部时序图像的序列;提取所述网络流量局部时序图像的序列中的网络流量时序特征;以及,基于所述网络流量时序特征,确定网络流量是否存在异常
。
这样,可以实现对网络流量异常的准确识别,避免网络流量值在短时间内出现异常波动
。
[0006]本专利技术实施例还提供了一种网络流量识别方法,其包括: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 ...
【技术保护点】
【技术特征摘要】
1.
一种网络流量识别方法,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;对所述网络流量时序输入向量进行图像转化以得到网络流量局部时序图像的序列;提取所述网络流量局部时序图像的序列中的网络流量时序特征;以及基于所述网络流量时序特征,确定网络流量是否存在异常
。2. 根据权利要求1所述的网络流量识别方法,其特征在于,对所述网络流量时序输入向量进行图像转化以得到网络流量局部时序图像的序列,包括:对所述网络流量时序输入向量进行向量切分以得到网络流量局部时序输入向量的序列;以及将所述网络流量局部时序输入向量的序列通过向量
‑
图像格式转化器以得到所述网络流量局部时序图像的序列
。3.
根据权利要求2所述的网络流量识别方法,其特征在于,将所述网络流量局部时序输入向量的序列通过向量
‑
图像格式转化器以得到所述网络流量局部时序图像的序列,包括:将所述网络流量局部时序输入向量的序列进行向量切分以得到网络流量局部输入子向量的序列;将所述网络流量局部输入子向量的序列排列为网络流量局部时序输入矩阵;以及对所述网络流量局部时序输入矩阵进行归一化处理以得到所述网络流量局部时序图像的序列;其中,所述网络流量局部时序图像的序列中各个位置的值的范围为0‑
255。4.
根据权利要求3所述的网络流量识别方法,其特征在于,提取所述网络流量局部时序图像的序列中的网络流量时序特征,包括:将所述网络流量局部时序图像的序列通过基于三维卷积神经网络模型的网络流量时序特征提取器以得到所述网络流量时序特征图
。5. 根据权利要求4所述的网络流量识别方法,其特征在于,基于所述网络流量时序特征,确定网络流量是否存在异常,包括:将所述网络流量时序特征图通过通道注意力层以得到通道显著化网络流量时序特征图;以及将所述通道显著化网络流量时序特征图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存在异常
。6.
根据权利要求5所述的网络流量识别方法,其特征在于,将所述网络流量时序特征图通过通道注意力层以得到通道显著化网络流量时序特征图,包括:将所述网络流量时序特征图输入所述通道注意力层的多层卷积层以得到卷积特征图;计算所述卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;将所述通道特征向量输入
Sigmoid
激活函数以得到通道注意力权重向量;以及以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显著化网络流量时序特征图
。7.
根据权利要求6所述的网络流量识别方法,其特征在于,还包括训练步骤:对所述向量
‑
图像格式转化器
、
所述基于三维卷积神...
【专利技术属性】
技术研发人员:梁永通,
申请(专利权)人:北京中科网芯科技有限公司,
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。