基于混合时空神经网络的网络异常流量检测方法技术

本发明专利技术涉及一种基于混合时空神经网络的网络异常流量检测方法。该混合时空神经网络结合了卷积神经网络(Convolutional Neural Network,CNN)、时序卷积网络(Temporal Convolutional Network,TCN)、双向门控循环单元网络(Bidirectional Gated Recurrent Unit network,BiGRU)和自注意力机制。它通过滑动窗口预处理、CNN、TCN、BiGRU和自注意力机制从原始数据中自动提取序列的时间和空间特征，以检测异常数据。具体来说，CNN用于提取时间序列的空间特征，减少空间信息的损失，TCN用于获得短期特征，BiGRU用于捕获数据中的长期依赖关系，自注意力机制按顺序获取重要信息。

【技术实现步骤摘要】

本专利技术涉及一种基于混合时空神经网络的网络异常流量检测方法。

技术介绍

1、当前的网络以不同的方式影响人们的生活。随着用户数量的增加，敏感的用户信息也为攻击者提供了机会，信息泄漏严重损害了国家和社会。由于网络设备的恶意操作或错误配置，这些异常网络流量行为经常浪费网络资源，影响网络设备和终端主机的性能，甚至危及网络用户的信息安全。因此，有效检测异常流量是非常重要的。

2、目前，传统的异常检测方法主要是基于统计设计的，它们相对简单，但它们的检测范围固定，从而会导致较低的异常识别率。近年来，机器学习相关算法提供了异常检测的替代方法。其中，k近邻算法(k-nearest neighbor,knn)计算样本之间的平均距离。通过计算最近的k个样本之间的距离来确定异常。knn适用于数据量较少的样本，其在处理大量数据时会消耗大量时间和内存。单类支持向量机(one-class support vector machine,ocsvm)通过找到一个超平面来圈正例，圈内有正样本，外有负样本。基于密度的噪声应用空间聚类算法(density-based spatial本文档来自技高网...

【技术保护点】

1.一种基于混合时空神经网络的网络异常流量检测，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，所述利用滑动窗口预处理数据，包括：

3.根据权利要求1所述的方法，其特征在于，所述采用卷积层提取时间序列的空间特征，包括：

4.根据权利要求1所述的方法，其特征在于，所述应用TCN捕获时间序列中的短期局部特征，包括：

5.根据权利要求1所述的方法，其特征在于，所述采用BiGRU来获取时间序列中长期依赖的关系，包括：

6.根据权利要求1所述的方法，其特征在于，所述将处理后的时间序列数据使用注意力机制来适应性地...

【技术特征摘要】

1.一种基于混合时空神经网络的网络异常流量检测，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，所述利用滑动窗口预处理数据，包括：

3.根据权利要求1所述的方法，其特征在于，所述采用卷积层提取时间序列的空间特征，包括：

4.根据权利要求1所述的方法，其特征在于，所述应用tcn捕获时间序列中的短期局...

【专利技术属性】
技术研发人员：毕敬，王梓奇，苑海涛，穆天虹，
申请(专利权)人：京上智数科技北京有限公司，
类型：发明
国别省市：