【技术实现步骤摘要】
本申请涉及数据处理领域，且更为具体地，涉及一种基于云计算技术的网络数据处理方法、系统和电子设备。
技术介绍
1、云计算是一种基于互联网的计算模型，它通过将计算资源(如服务器、存储设备、数据库等)提供给用户作为服务，以实现按需获取和使用计算资源的方式。
2、端口号是网络通信中用于标识应用程序或服务的逻辑端点的数字标识。不同的应用程序或服务通常使用不同的端口号进行通信。流量数据包是在计算机网络中传输的数据单元。它是网络通信中的基本单位，可以被用于网络监测和分析。通过捕获和分析流量数据包，可以了解网络的使用情况、性能状况和安全状况。这有助于识别网络中的异常行为、瓶颈和故障，并进行网络优化和安全防护。
3、但由于传统的监测方法通常采用专用的硬件设备或软件工具，在网络中捕获和分析数据包，需要购买昂贵的专用硬件设备或软件工具，并进行部署和维护，增加了成本和复杂性。而且传统的监测方法通常需要在特定位置部署监测设备，限制了监测范围和可扩展性。
4、因此，期待一种优化的基于云计算技术的网络数据处理方案。
技术实现思路
1、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基于云计算技术的网络数据处理方法、系统和电子设备，其采用基于深度神经网络模型的人工智能技术，获取云计算系统的网络通信的多个预定时间点各个端口号的流量数据包，通过流量序列编码器捕捉时间序列中的信息和特征，使用高斯密度图进行特征融合和离散，再通过互为转置的卷积网络捕捉到流量数据中的不同端口号
2、根据本申请的一方面，提供了一种基于云计算技术的网络数据处理方法，其包括：
3、获取云计算系统的网络通信的多个预定时间点各个端口号的流量数据包；
4、将所述多个预定时间点各个端口号的流量数据包通过包含一维卷积层和全连接层的流量序列编码模型以得到多个流量数据包特征向量；
5、将所述多个流量数据包特征向量使用高斯密度图以得到流量数据高斯密度图；
6、将所述流量数据高斯密度图进行高斯离散化以得到流量数据高斯离散特征矩阵；
7、将所述流量数据高斯离散特征矩阵通过包含互为转置卷积核的流量卷积神经网络模型以得到端口号流量数据特征矩阵；
8、对所述端口号流量数据特征矩阵进行先验秩序性的几何非刚性一致化以得到优化端口号流量数据特征矩阵；
9、将所述优化端口号流量数据特征矩阵通过流量分类器以得到分类结果，所述分类结果用于表示出现异常的端口号。
10、在上述基于云计算技术的网络数据处理方法中，将所述各个端口号的流量数据包通过包含一维卷积层和全连接层的流量序列编码模型以得到多个流量数据包特征向量，包括：将所述多个预定时间点端口号的流量数据包排列为端口流量包数据输入向量；使用所述包含一维卷积层和全连接层的流量序列编码模型的全连接层以如下全连接编码公式对所述端口流量包数据输入向量进行全连接编码以提取出所述端口流量包数据输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接编码公式为：其中x是所述端口流量包数据输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；以及，使用所述包含一维卷积层和全连接层的流量序列编码模型的一维卷积层以如下一维编码公式对所述端口流量包数据输入向量进行一维卷积编码以提取出所述端口流量包数据输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述一维编码公式为：
11、
12、其中，a为卷积核在x方向上的宽度，f(a)为卷积核参数向量，g(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述端口流量包数据输入向量，cov(x)表示对所述端口流量包数据输入向量进行一维卷积编码。
13、在上述基于云计算技术的网络数据处理方法中，将所述多个流量数据包特征向量使用高斯密度图以得到流量数据高斯密度图，包括：以如下高斯公式来构造所述多个流量数据包特征向量的流量数据高斯密度图；其中，所述公式为：其中μ是所述流量数据包特征向量，而σ是所述流量数据包特征向量中相应两个位置的特征值之间的方差。
14、在上述基于云计算技术的网络数据处理方法中，将所述流量数据高斯密度图进行高斯离散化以得到流量数据高斯离散特征矩阵，包括：对所述流量数据高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述流量数据高斯离散特征矩阵。
15、在上述基于云计算技术的网络数据处理方法中，将所述流量数据高斯离散特征矩阵通过包含互为转置卷积核的流量卷积神经网络模型以得到端口号流量数据特征矩阵，包括：所述包含互为转置卷积核的流量卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一流量数据激活特征图；以及，对所述第一流量数据激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二流量数据激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述包含互为转置卷积核的流量卷积神经网络模型的第一层的输入为所述流量数据高斯离散特征矩阵，所述包含互为转置卷积核的流量卷积神经网络模型的最后一层的输出为所述端口号流量数据特征矩阵。
16、根据本申请的另一方面，提供了一种基于云计算技术的网络数据处理系统，其包括：
17、端口流量数据获取模块，用于获取云计算系统的网络通信的多个预定时间点各个端口号的流量数据包；
18、流量时序采集模块，用于将所述多个预定时间点各个端口号的流量数据包通过包含一维卷积层和全连接层的流量序列编码模型以得到多个流量数据包特征向量；
19、流量数据高斯融合模块，用于将所述多个流量数据包特征向量使用高斯密度图以得到流量数据高斯密度图；
20、流量数据高斯离散模块，用于将所述流量数据高斯密度图进行高斯离散化以得到流量数据高斯离散特征矩阵；
21、流量数据特征相乘模块，用于将所述流量数据高斯离散特征矩阵通过包含互为转置卷积核的流量卷积神经网络模型以得到端口号流量数据特征矩阵；
22、数据特征优化模块，用于对所述端口号流量数据特征矩阵进行先验秩序性的几何非刚性一致化以得到优化端口号流量数据特征矩阵；
23、端口异常判断模块，用于将所述优化端口号流量数据特征矩阵通过流量分类器以得到分类结果，所述分类结果用于表示出现异常的端口号。
24、根据本申请的另一方面，还提供了一种电子设备，包括：处理器；存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于云计算技术的网络数据处理方法。
25、与现有技术相比，本申请本文档来自技高网...
【技术保护点】
1.一种基于云计算技术的网络数据处理方法，其特征在于，包括：
2.根据权利要求1所述的基于云计算技术的网络数据处理方法，其特征在于，将所述各个端口号的流量数据包通过包含一维卷积层和全连接层的流量序列编码模型以得到多个流量数据包特征向量，包括：
3.根据权利要求2所述的基于云计算技术的网络数据处理方法，其特征在于，将所述多个流量数据包特征向量使用高斯密度图以得到流量数据高斯密度图，包括：以如下高斯公式来构造所述多个流量数据包特征向量的流量数据高斯密度图；
4.根据权利要求3所述的基于云计算技术的网络数据处理方法，其特征在于，将所述流量数据高斯密度图进行高斯离散化以得到流量数据高斯离散特征矩阵，包括：
5.根据权利要求4所述的基于云计算技术的网络数据处理方法，其特征在于，将所述流量数据高斯离散特征矩阵通过包含互为转置卷积核的流量卷积神经网络模型以得到端口号流量数据特征矩阵，包括：
6.根据权利要求5所述的基于云计算技术的网络数据处理方法，其特征在于，对所述端口号流量数据特征矩阵进行先验秩序性的几何非刚性一致化以得到优化端口号
7.根据权利要求6所述的基于云计算技术的网络数据处理方法，其特征在于，将所述优化端口号流量数据特征矩阵通过流量分类器以得到分类结果，所述分类结果用于表示出现异常的端口号，包括：
8.一种基于云计算技术的网络数据处理系统，其特征在于，包括：
9.根据权利要求8所述的基于云计算技术的网络数据处理系统，其特征在于，所述流量时序采集模块，用于：
10.一种电子设备，包括：
...【技术特征摘要】
1.一种基于云计算技术的网络数据处理方法，其特征在于，包括：
2.根据权利要求1所述的基于云计算技术的网络数据处理方法，其特征在于，将所述各个端口号的流量数据包通过包含一维卷积层和全连接层的流量序列编码模型以得到多个流量数据包特征向量，包括：
3.根据权利要求2所述的基于云计算技术的网络数据处理方法，其特征在于，将所述多个流量数据包特征向量使用高斯密度图以得到流量数据高斯密度图，包括：以如下高斯公式来构造所述多个流量数据包特征向量的流量数据高斯密度图；
4.根据权利要求3所述的基于云计算技术的网络数据处理方法，其特征在于，将所述流量数据高斯密度图进行高斯离散化以得到流量数据高斯离散特征矩阵，包括：
5.根据权利要求4所述的基于云计算技术的网络数据处理方法，其特征...
【专利技术属性】
技术研发人员：张杨，
申请(专利权)人：哈尔滨红墨方科技有限公司，
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。