[发明专利]基于深度学习的非人工网络请求数据纹路的识别方法

权利要求书

1.一种基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，所述方法包括如下步骤：

步骤S1：针对请求数据进单条数据特征化，利用已知特征、特征变形、指标化特征以及利用特征数量次数的随机组合产生随机值与特征数量次数，进行处理；

本步骤中，采用如下模型算法，进行单条数据特征化处理，其中，n为人工标记特征，m为特征变形，X为数据项目，Y为变化后特征指标，∫∫是一种随机权重取值方法

步骤S2：针对经过S1步骤处理过的数据，采用双向维度切片，切片颗粒度以固定倍数递增，每多条S1的数据经过切片后形成一组数据，该组数据会汇总该组数据下每条数据的特征数据，并采用对应的特征指标进行新的指标计算；对于S1步骤处理过的数据的随机值，利用算法公式进行运算，能够得到一个新的指标随机值数据；

本步骤中，进行时间切片和访问目的地切片分别采用如下公式进行：

其中，△T是时间维度切片，△U是访问目的切片；依然利用随机函数收敛；S是在时间维度上的数据特征集、K实在访问目的维度上的特征集，i是在时间维度切片后的数据段数量，j是在访问目的维度切片后的数据段数量，通过该方法生成的数据成为指标性数据，用于辅助步骤S1中数据做高阶特征抽象；

步骤S3:针对经过步骤S2处理过的数据，进行判断，如果数据中包含所有的新生成的随机值通过算法计算得到的结果值小于1，则执行S4步骤，否则重新交给步骤S1，直至上述经过上述通过算法计算结果小于1；

其中，针对S2步骤处理过的数据，采用如下算法进行计算，然后进行判断，

公式(4)中，其中λ表示上一次数据的所有随机值、μ表示每次生成随机值的指标数量；M指的是新产生的随机数的数量，N表示通过S2计算后的特征数据随机值的数量，上述公式被减方为上一次数据的随机值，减数方为计算后的随机值，随着S1、S2的计算次数增高λ与μ的数量差异越小，从而相差绝对值越来越趋近于相等，从而做多次方差进行收敛；

步骤S4:对于数据中包含所有的新生成的随机值通过算法计算得到的结果值小于1的步骤S2处理过的数据，利用卷积神经网络算法进行拟合公式处理。

2.根据权利要求1所述的基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，在步骤S4之后，识别纹路会区分有规律纹路与无规律纹路，有规律纹路被标记为机器数据，无规律纹路则为人工数据。

3.根据权利要求1所述的基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，在步骤S4中，为了避免过拟合，利用随机向量数据算法数据进行观测，收敛加速度大于1停止。

4.根据权利要求1所述的基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，在步骤S2中，所述采用双向维度切片为利用时间与访问目的地两个维度。

5.根据权利要求4所述的基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，所述时间维度采用，1分钟，5分钟，10分钟，30分钟，1小时，8小时，24小时，48小时，72小时。

6.根据权利要求4所述的基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，所述访问目的地维度采用，第一级目录，第二季目录，第三级目录，第四级目录，第五级目录。