网络异常流量分类方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种网络异常流量分类方法、装置、设备和存储介质，将网络流量数据输入到自编码模型中，以使自编码模型输出重构序列，从而根据重构序列对网络流量数据进行识别，在识别到网络流量数据是异常流量数据时，从自编码模型中提取异常流量数据的隐藏特征输入到分类模型中，以使分类模型输出异常流量数据的分类结果，能准确识别到异常流量的具体类型。另外，由于使用自编码模型的隐藏特征作为异常流量数据的特征，并输入分类模型中进行分类，即在异常流量识别的同时已经对异常流量数据进行了特征提取和降维，因此在使用分类模型进行分类时，无需对异常流量数据进行二次特征提取，直接将隐藏特征作为分类模型的输入，能够提高分类效率。

【技术实现步骤摘要】

本专利技术涉及网络安全，尤其涉及一种网络异常流量分类方法、装置、设备和存储介质。

技术介绍

1、随着信息技术的发展，互联网已经深刻渗透到人们的工作和生活当中，然而伴随着互联网快速发展的同时，网络数据量的不断激增，网络环境的日益复杂，也导致网络安全问题的日渐突出。因此，如何及时检测出网络异常流量，实时保障网络的正常运行，对于维护网络安全具有重要意义。近年来，传统的机器学习算法已经广泛应用到网络异常流量检测中，如lstm-attention(long short term memory--attention，长短期记忆网络-注意力机制)模型，lstm是一种rnn(recurrent neural network，循环神经网络)类型的时间序列模型，可以学习长短时期的时序特征，但是由于模型结构的特殊性，无法并行计算，当流量数据过大时，其识别网络异常流量的检测效率低，以及以lstm-attention模型作为异常流量分类模型时，也同样存在分类效率低的问题。

技术实现思路

1、本专利技术实施例的目的是提供一种网络异常流量本文档来自技高网...

【技术保护点】

1.一种网络异常流量分类方法，其特征在于，包括：

2.如权利要求1所述的网络异常流量分类方法，其特征在于，所述根据所述重构序列对所述网络流量数据进行识别，包括：

3.如权利要求1所述的网络异常流量分类方法，其特征在于，所述自编码模型包括编码器和解码器；其中，所述编码器的输入为所述网络流量数据，所述编码器的输出为所述网络流量数据的隐藏特征，所述解码器的输入为所述隐藏特征，所述解码器的输出为所述网络流量数据的重构序列。

4.如权利要求3所述的网络异常流量分类方法，其特征在于，所述编码器用于计算所述网络流量数据中各个元素的注意力分数，以通过归一化指数函数计算...

【技术特征摘要】

1.一种网络异常流量分类方法，其特征在于，包括：

2.如权利要求1所述的网络异常流量分类方法，其特征在于，所述根据所述重构序列对所述网络流量数据进行识别，包括：

3.如权利要求1所述的网络异常流量分类方法，其特征在于，所述自编码模型包括编码器和解码器；其中，所述编码器的输入为所述网络流量数据，所述编码器的输出为所述网络流量数据的隐藏特征，所述解码器的输入为所述隐藏特征，所述解码器的输出为所述网络流量数据的重构序列。

4.如权利要求3所述的网络异常流量分类方法，其特征在于，所述编码器用于计算所述网络流量数据中各个元素的注意力分数，以通过归一化指数函数计算所有注意力分数在预设数值区间内的概率矩阵，并根据所述概率矩阵得到所述网络流量数据的隐藏特征。

5.如权利要求1所述的网络异常流量分类方法，其特征在于，从所述自编码模型中提取所述异...

【专利技术属性】
技术研发人员：邓磊，钱金，
申请(专利权)人：咪咕音乐有限公司，
类型：发明
国别省市：