【技术实现步骤摘要】
本专利技术涉及信息安全，尤其涉及一种流量检测模型的训练方法、流量检测方法及相关设备。
技术介绍
1、随着机器学习以及深度学习的发展，越来越多相关方法被用于解决流量检测问题。
2、机器学习方法的基本假设是，恶意流量和合法流量的特征分布是不同的，利用特征工程可以让合法流量集中分布在特征空间的一个超球体中并将恶意流量排除在外，从而得到合法流量的共性特征。
3、然而，使用伪造技术可以使恶意变种流量的特征趋向于合法流量的共性特征，导致传统的机器学习方法对恶意变种流量的检测变得愈发困难。
技术实现思路
1、本专利技术提供一种流量检测模型的训练方法、流量检测方法及相关设备，用以解决现有技术中流量检测方法对恶意变种流量的检测能力差的缺陷，实现提高对恶意变种流量的检测能力。
2、第一方面，本专利技术提供一种流量检测模型的训练方法，所述流量检测模型包括：判别器和生成器；所述训练方法包括：
3、对所述判别器和所述生成器执行至少一次训练，在当前训练中执行以下操作：<...
【技术保护点】
1.一种流量检测模型的训练方法，其特征在于，所述流量检测模型包括：判别器和生成器；所述训练方法包括：
2.根据权利要求1所述的流量检测模型的训练方法，其特征在于，在所述分别将所述判别器的当前损失与第二阈值、所述生成器的当前损失与第三阈值，以及所述第一阈值所引起的当前损失与第四阈值进行比较之前，还包括：
3.根据权利要求2所述的流量检测模型的训练方法，其特征在于，在所述分别将所述判别器的当前损失与第二阈值、所述生成器的当前损失与第三阈值，以及所述第一阈值所引起的当前损失与第四阈值进行比较之前，还包括：
4.根据权利要求2所述的流量检测...
【技术特征摘要】
1.一种流量检测模型的训练方法，其特征在于，所述流量检测模型包括：判别器和生成器；所述训练方法包括：
2.根据权利要求1所述的流量检测模型的训练方法，其特征在于，在所述分别将所述判别器的当前损失与第二阈值、所述生成器的当前损失与第三阈值，以及所述第一阈值所引起的当前损失与第四阈值进行比较之前，还包括：
3.根据权利要求2所述的流量检测模型的训练方法，其特征在于，在所述分别将所述判别器的当前损失与第二阈值、所述生成器的当前损失与第三阈值，以及所述第一阈值所引起的当前损失与第四阈值进行比较之前，还包括：
4.根据权利要求2所述的流量检测模型的训练方法，其特征在于，在所述分别将所述判别器的当前损失与第二阈值、所述生成器的当前损失与第三阈值，以及所述第一阈值所引起的当前损失与第四阈值进行比较之前，还包括...
【专利技术属性】
技术研发人员：贺磊，耿进步，曹植纲，谢宇，牛玉坤，周鼎，韩晓鹏，
申请(专利权)人：网络通信与安全紫金山实验室，
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。