基于归纳学习的正则加速方法、系统、设备及存储介质技术方案

本申请提供一种基于归纳学习的正则加速方法、系统、设备及存储介质，涉及计算机技术领域，该方法包括：第一本地硬件设备获取数据控制流，根据正则表达式生成非确定性有限自动机；异构设备接收数据控制流和非确定性有限自动机；第二本地硬件设备基于初始图卷积神经网络和初始聚类模型对初始批次的非确定性有限自动机进行归纳学习，并联合训练初始图卷积神经网络和初始聚类模型；基于图卷积神经网络和聚类模型对其他批次的非确定性有限自动机进行归纳推理，在非确定性有限自动机与其所表征的正则表达式成匹配关系时，将非确定性有限自动机配置到对应正则引擎上，对数据控制流进行并行分析和过滤，可以在NFA动态变化的场景下提升正则加速效率。

【技术实现步骤摘要】

本申请涉及计算机，尤其涉及一种基于归纳学习的正则加速方法、系统、设备及存储介质。

技术介绍

1、正则表达式匹配（regular expression match，rem）是流行的入侵检测系统（如snort和bro）使用的一种重要机制。由于要扫描的模式数量众多，网络流量的带宽不断增加，正则表达式匹配成为瓶颈。现场可编程逻辑门阵列（field programmable gate array，fpga）长期以来一直用于加速网络中的正则表达式。

2、由于正则表达式往往很长，而且数量很多，经常需要修改。然而，相关技术中神经网络仅适用于静态非确定性有限自动机（nfa），在nfa动态变化时需要重新训练图卷积神经网络来适应nfa的更新，难以应用于nfa动态变化的场景，从而导致正则加速效率较低。

技术实现思路

1、本申请的目的是提供一种基于归纳学习的正则加速方法、系统、设备及存储介质，用于在nfa动态变化的场景下提升正则加速效率。

2、本申请提供一种基于归纳学习的正则加速方法，应用于基于归纳学习的正则加本文档来自技高网...

【技术保护点】

1.一种基于归纳学习的正则加速方法，其特征在于，应用于基于归纳学习的正则加速系统，所述基于归纳学习的正则加速系统包括第一本地硬件设备、第二本地硬件设备和异构设备，所述第一本地硬件设备分别与所述第二本地硬件设备和所述异构设备通信连接，所述方法包括：

2.根据权利要求1所述的基于归纳学习的正则加速方法，其特征在于，通过以下步骤进行所述无向图转换：

3.根据权利要求2所述的基于归纳学习的正则加速方法，其特征在于，所述将所述非确定性有限自动机转换为非确定性有限自动机无向图，包括：

4.根据权利要求3所述的基于归纳学习的正则加速方法，其特征在于，所述状态机拓扑结...

【技术特征摘要】

1.一种基于归纳学习的正则加速方法，其特征在于，应用于基于归纳学习的正则加速系统，所述基于归纳学习的正则加速系统包括第一本地硬件设备、第二本地硬件设备和异构设备，所述第一本地硬件设备分别与所述第二本地硬件设备和所述异构设备通信连接，所述方法包括：

2.根据权利要求1所述的基于归纳学习的正则加速方法，其特征在于，通过以下步骤进行所述无向图转换：

3.根据权利要求2所述的基于归纳学习的正则加速方法，其特征在于，所述将所述非确定性有限自动机转换为非确定性有限自动机无向图，包括：

4.根据权利要求3所述的基于归纳学习的正则加速方法，其特征在于，所述状态机拓扑结构中每个节点到另一个节点的边上设置有标签；

5.根据权利要求1所述的基于归纳学习的正则加速方法，其特征在于，通过以下步骤进行所述邻居采样：

6.根据权利要求5所述的基于归纳学习的正则加速方法，其特征在于，所述对带标签的所述非确定性有限自动机无向图进行邻居采样，得到局部子图集合，包括：

7.根据权利要求5所述的基于归纳学习的正则加速方法，其特征在于，所述获取所述非确定性有限自动机无向图中每个节点的标签，包括：

8.根据权利要求1所述的基于归纳学习的正则加速方法，其特征在于，通过以下步骤进行所述聚合操作：

9.根据权利要求8所述的基于归纳学习的正则加速方法，其特征在于，所述对所述节点的各邻居节点的特征向量进行聚合操作，得到聚合特征向量，包括：

10.根据权利要求8所述的基于归纳学习的正则加速方法，其特征在于，所述对所述节点的各邻居节点的特征向量进行聚合操作，得到聚合特征向量，包括：

11.根据权利要求8所述的基于归纳学习的正则加速方法，其特征在于，所述对所述节点的各邻居节点的特征向量进行聚合操作，得到聚合特征向量，包括：

12.根据权利要求8所述的基于归纳学习的正则加速方法，其...

【专利技术属性】
技术研发人员：童浩南，任智新，张闯，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：