【技术实现步骤摘要】
本公开涉及计算机，尤其涉及一种网络流量检测模型的建模方法、网络流量的检测方法、装置、计算机设备及可读存储介质。
技术介绍
1、目前，物联网的迅速发展为移动通信网络带来了许多潜在的危险，网络的攻击可能来源于任何一个物联网连接，因此，异常流量检测显得愈发重要，而它在近年来也取得了诸多研究进展。有许多经典的神经网络已经应用到了异常流量检测中：卷积神经网络(cnn)可以自动学习网络流量的局部特征，循环神经网络(rnn)和长短时记忆网络(lstm)能够捕捉网络流量序列数据中的时间依赖关系，它们都能对异常流量进行有效检测。
技术实现思路
1、本公开实施例提供了一种网络流量检测模型的建模方法、网络流量的检测方法、装置、计算机设备及可读存储介质，涉及计算机
，建立的网络流量检测模型，提升了异常流量的检测准确度。
2、本公开实施例提供了一种网络流量检测模型的建模方法，包括：获取文本形式的网络流量；将所述文本形式的网络流量通过词嵌入获得词向量矩阵；计算所述词向量矩阵的行列式值；根据所述词向量矩阵的行列式值确定神经网络的注意力机制的头数；根据所述词向量矩阵对所述神经网络进行训练以完成网络流量检测模型的建模，以使所述网络流量检测模型具备根据网络流量识别异常流量的能力。
3、在一个实施例中，建模方法还包括：根据所述词向量矩阵的行列式值确定所述神经网络的非超参数的初始化数值。
4、在一个实施例中，计算所述词向量矩阵的行列式值包括：在所述词向量矩阵为非方阵时，以所述词向
5、在一个实施例中，根据所述词向量矩阵的行列式值确定所述神经网络的注意力机制的头数包括：确定所述神经网络的注意力机制的初始头数和与所述初始头数对应的行列式第一阈值；将所述词向量矩阵的行列式值与所述行列式第一阈值进行比较以根据所述神经网络的注意力机制的初始头数确定所述神经网络的注意力机制的头数。
6、在一个实施例中，根据所述词向量矩阵的行列式值确定所述神经网络的非超参数的初始化数值包括：确定所述神经网络的非超参数的原始数值和与所述原始数值对应的行列式第二阈值；将所述词向量矩阵的行列式值与所述行列式第二阈值进行比较以根据所述神经网络的非超参数的原始数值确定所述神经网络的非超参数的初始化数值。
7、本公开实施例提供了一种网络流量的检测方法，包括：获取文本形式的网络流量；将所述文本形式的网络流量通过词嵌入获得词向量矩阵；将所述词向量矩阵输入至通过训练的网络流量检测模型进行检测；在所述文本形式的网络流量检测为正常流量时，允许访问；在所述网络流量检测模型检测为异常流量时，拒绝访问；其中所述网络流量检测模型是如上实施例中任一项所述的方法所建立的网络流量检测模型。
8、本公开实施例提供了一种网络流量检测模型的建模装置，包括：第一获取模块，用于获取文本形式的网络流量；第一词嵌入模块，用于将所述文本形式的网络流量通过词嵌入获得词向量矩阵；计算模块，用于计算所述词向量矩阵的行列式值；头数模块，用于根据所述词向量矩阵的行列式值确定所述神经网络的注意力机制的头数；训练模块，用于根据所述词向量矩阵对对所述神经网络进行训练以完成网络流量检测模型的建模，以使所述网络流量检测模型具备根据网络流量识别异常流量的能力。
9、本公开实施例提供了一种网络流量的检测装置，包括：第二获取模块，用于获取文本形式的网络流量；第二词嵌入模块，用于将所述文本形式的网络流量通过词嵌入获得词向量矩阵；检测模块，用于将所述词向量矩阵输入至通过训练的网络流量检测模型进行检测；判断模块，用于在所述文本形式的网络流量检测为正常流量时，允许访问；所述判断模块，用于在所述网络流量检测模型检测为异常流量时，拒绝访问；其中所述网络流量检测模型是如上实施例中任一项所述的方法所建立的网络流量检测模型。
10、本公开实施例提供了一种计算机设备，包括处理器、存储器、输入输出接口；所述处理器分别与所述存储器和所述输入输出接口相连，其中，所述输入输出接口用于接收数据及输出数据，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以使得所述计算机设备执行如上实施例中任一项所述的方法。
11、本公开实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行如上实施例中任一项所述的方法。
12、本申请的网络流量检测模型的建模方法，通过获取文本形式的网络流量；将所述文本形式的网络流量通过词嵌入获得词向量矩阵；计算所述词向量矩阵的行列式值；根据所述词向量矩阵的行列式值确定神经网络的注意力机制的头数；根据所述词向量矩阵对所述神经网络进行训练以完成网络流量检测模型的建模，以使所述网络流量检测模型具备根据网络流量识别异常流量的能力，从而建立能够根据文本形式的网络流量进行检测的网络流量检测模型。
本文档来自技高网...【技术保护点】
1.一种网络流量检测模型的建模方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，还包括：
3.根据权利要求1所述的方法，其特征在于，计算所述词向量矩阵的行列式值包括：
4.根据权利要求1所述的方法，其特征在于，根据所述词向量矩阵的行列式值确定所述神经网络的注意力机制的头数包括：
5.根据权利要求2所述的方法，其特征在于，根据所述词向量矩阵的行列式值确定所述神经网络的非超参数的初始化数值包括：
6.一种网络流量的检测方法，其特征在于，包括：
7.一种网络流量检测模型的建模装置，其特征在于，包括：
8.一种网络流量的检测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括处理器、存储器、输入输出接口；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-5或6中任一项所述的方法。
【技术特征摘要】
1.一种网络流量检测模型的建模方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，还包括：
3.根据权利要求1所述的方法，其特征在于，计算所述词向量矩阵的行列式值包括：
4.根据权利要求1所述的方法，其特征在于，根据所述词向量矩阵的行列式值确定所述神经网络的注意力机制的头数包括：
5.根据权利要求2所述的方法，其特征在于，根据所述词向量矩阵的行列式值确定所述神经网络的非超参数的初始化数值包括：
...【专利技术属性】
技术研发人员：熊奕洋，
申请(专利权)人：中国电信股份有限公司技术创新中心，
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。