[发明专利]基于核自编码器的模型训练方法、装置及存储介质

说明书

本发明实施例公开了一种核自编码器的模型训练方法、装置及存储介质，涉及网络安全领域。本发明的方法包括：通过核自编码器的编码模块，基于核PCA对样本特征进行降维处理，得到样本数据对应的隐层数据，并将所述隐层数据作为分类器的输入数据；通过核自编码器的解码模块，基于核回归处理得到所述样本的解码数据，并将所述解码数据作为所述分类器的输出数据；基于所述输入数据和所述输出数据，构建所述分类器的损失函数；根据所述损失函数，对所述分类器进行训练。本发明能够降低对数据特征的降维复杂度。

技术领域

本发明涉及网络安全领域，尤其涉及一种基于核自编码器的模型训练方法、装置及存储介质。

背景技术

随着计算机网络技术的迅速发展，网络技术在各个领域都得到了广泛的应用。计算机网络在给人们提供便利、带来效益的同时，网络攻击也对信息安全提出了很大的挑战。

为了防护网络攻击，可以通过入侵检测模型对网络流进行入侵预测。在模型训练过程中，样本数据原本的特征维度过高将导致计算复杂度大大增加，故而需要对样本特征进行降维处理。目前对样本特征进行降维处理的过程，直接将特征子集输入分类器，并根据分类器的性能对样本数据进行选择降维，这样的方式导致数据特征降维时的计算复杂度较高，进一步导致模型训练复杂度较高。

发明内容

本发明的实施例提供一种基于核自编码器的模型训练方法、装置及存储介质，能够降低对数据特征的降维复杂度。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明的实施例提供一种基于核自编码器的模型训练方法，包括：

通过核自编码器的编码模块，基于核PCA对样本特征进行降维处理，得到样本数据对应的隐层数据，并将所述隐层数据作为分类器的输入数据；

通过核自编码器的解码模块，基于核回归处理得到所述样本的解码数据，并将所述解码数据作为所述分类器的输出数据；

基于所述输入数据和所述输出数据，构建所述分类器的损失函数；

根据所述损失函数，对所述分类器进行训练。

结合第一方面，在第一方面的第一种可能的实现方式中，所述基于所述输入数据和所述输出数据，构建所述分类器的损失函数，包括：

计算所述输入数据和所述输出数据之间的差值；

将所述差值的模值，与正则化项相加，得到所述分类器的损失函数。

结合第一方面，或者第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，其特征在于，所述根据所述损失函数，对所述分类器进行训练，包括：

基于正则化结构风险最小化策略，将所述损失函数的值取最小值，对所述分类器进行训练。

结合第一方面，在第一方面的第三种可能的实现方式中，所述方法还包括：

当样本特征维度大于80维时，基于核PCA对样本特征进行降维处理后的特征维度小于原特征维度的三分之一；或，

当样本特征维度小于或等于80维时，基于核PCA对样本特征进行降维处理后的特征维度小于原特征维度的二分之一。

结合第一方面，在第一方面的第四种可能的实现方式中，所述分类器用于进行网络入侵检测，所述方法还包括：

将网络流量输入所述分类器，进行网络安全入侵检测；

响应于检测到存在入侵风险，截断当前网络流量并启动相应的入侵修复方案。

第二方面，本发明的实施例提供一种基于核自编码器的模型训练装置，包括：