[发明专利]攻击报文的识别方法及装置

权利要求书

1.一种攻击报文的识别方法，其特征在于，包括：

获取预设场景的待识别报文；

将获取的预设场景的待识别报文转换成报文图像矩阵；

将待识别报文的报文图像矩阵输入预设场景的卷积神经网络模型，识别所述待识别报文；所述卷积神经网络模型根据预设场景的多个攻击报文样本生成。

2.如权利要求1所述的攻击报文的识别方法，其特征在于，还包括：

采集实时识别出的预设场景的攻击报文；

在确定实时采集到的预设场景的攻击报文不存在于历史攻击报文样本中时，将实时采集到的预设场景的攻击报文生成实时攻击报文样本；

根据预设场景的实时攻击报文样本和存储的历史攻击报文样本，训练所述卷积神经网络模型。

3.如权利要求2所述的攻击报文的识别方法，其特征在于，将实时采集到的预设场景的攻击报文生成实时攻击报文样本，包括：

将预设场景的攻击报文样本字符串转换成1936维度的向量，生成实时攻击报文样本；

根据预设场景的实时攻击报文样本和存储的历史攻击报文样本，训练所述卷积神经网络模型，包括：

将多个预设场景的实时攻击报文样本和存储的历史攻击报文样本生成训练样本矩阵、训练样本类型矩阵、测试样本矩阵和测试样本类型矩阵；

利用训练样本矩阵、训练样本类型矩阵、测试样本矩阵和测试样本类型矩阵训练所述卷积神经网络模型。

4.如权利要求1所述的攻击报文的识别方法，其特征在于，所述卷积神经网络模型包括：

第一卷积层，用于对报文图像做卷积操作；所述第一卷积层的函数根据预设场景进行确定；

第一池化层，用于将进行卷积操作之后的报文图像的图像特征进行聚合；

第一隐含层，用于对图像特征聚合之后的报文图像数据进行降维处理。

5.如权利要求4所述的攻击报文的识别方法，其特征在于，所述卷积神经网络模型还包括：

第二卷积层，用于对经过第一卷积层卷积操作后的报文图像做进一步卷积操作；

第二池化层，用于将经过第一池化层图像特征聚合之后的报文图像做进一步图像特征聚合；

第二隐含层，用于对经过第一隐含层降维处理之后的报文图像，做进一步降维处理。

6.一种攻击报文的识别装置，其特征在于，包括：

获取单元，用于获取预设场景的待识别报文；

转换单元，用于将获取的预设场景的待识别报文转换成报文图像矩阵；

识别单元，用于将待识别报文的报文图像矩阵输入预设场景的卷积神经网络模型，识别所述待识别报文；所述卷积神经网络模型根据预设场景的多个攻击报文样本生成。

7.如权利要求6所述的攻击报文的识别装置，其特征在于，还包括：

采集单元，用于采集实时识别出的预设场景的攻击报文；

攻击报文样本生成单元，用于在确定实时采集到的预设场景的攻击报文不存在于历史攻击报文样本中时，将实时采集到的预设场景的攻击报文生成实时攻击报文样本；

训练单元，用于根据预设场景的实时攻击报文样本和存储的历史攻击报文样本，训练所述卷积神经网络模型。

8.如权利要求7所述的攻击报文的识别装置，其特征在于，所述攻击报文样本生成单元具体用于：将预设场景的攻击报文样本字符串转换成1936维度的向量，生成实时攻击报文样本；

所述训练单元具体用于：

将多个预设场景的实时攻击报文样本和存储的历史攻击报文样本生成训练样本矩阵、训练样本类型矩阵、测试样本矩阵和测试样本类型矩阵；

利用训练样本矩阵、训练样本类型矩阵、测试样本矩阵和测试样本类型矩阵训练所述卷积神经网络模型。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。