[发明专利]非对称卷积网络的流量检测模型的训练方法及检测方法

说明书

本发明公开一种非对称卷积网络的流量检测模型的训练方法及检测方法，所述非对称卷积网络的流量检测模型包括非对称卷积自编码网络和分类网络，该训练方法包括：构建对称卷积自编码网络，所述对称卷积自编码网络包括编码网络和解码网络；利用训练样本对所述对称卷积自编码网络进行训练；将训练完成的所述对称卷积自编码网络中的解码网络去除，得到非对称卷积自编码网络；利用所述非对称卷积自编码网络提取训练样本的抽象特征，并利用抽象特征训练分类网络，以完成非对称卷积网络的流量检测模型的训练。相对于现有的检测模型具有更高的检测准确率和更低的误报率，检测模型只保留了编码网络，从而让模型更加轻便且更易于特征提取，节省开销。

技术领域

本发明属于信息技术领域，具体地讲，涉及非对称卷积网络的流量检测模型的训练方法及检测方法、计算机可读存储介质、计算机设备。

背景技术

随着互联网的快速发展和网络规模的不断扩大，互联网已经成为人类生产生活不可缺少的一部分。但是同时，人们在享受网络便利的过程中不可避免地遭受网络异常的危害。目前普遍存在的多种网络异常可以通过网络流量的异常表现出来，异常网络流量能较全面地反映出现在网络的实时状况，比如网络扫描，DDoS攻击，网络蠕虫病毒等，及时去发现网络中的异常流量变化对于网络数据中心的异常定位，采取后续相应的补救措施有重要的意义。

网络流量异常检测已经作为一种有效的网络防护手段，能检测未知的网络攻击行为，为网络态势感知提供重要支持，近年来受到研究者越来越多的关注。针对网络流量异常检测方法大致有基于表征行为匹配的检测方法，基于统计的异常检测方法，基于机器学习异常检测方法，基于数据挖掘的异常检测方法，基于传统深度学习的异常检测方法。

深度学习技术在网络流量异常检测方面有着突出优势。深度学习模型能够从原始数据作为输入并且能从所学特征更好地刻画出数据的丰富信息，提高分类性能。在不同领域内深度学习都能容易地适应不同的领域和应用，在网络多特征的海量信息面前，深度学习不需要现在数据集上执行探索性的数据分析，特征降维等特征工程。

传统机器学习应用到模型的异常检测上面来的话存在一个经验先验的问题，特别对于数据量大而且实时性比较强的网络流量数据来看，参数选择不恰当或者选择的数据质量差，会对模型的检测效果造成比较大的影响。现有的检测模型对网络流量异常检测的正确率较低且检测时间较长。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：如何提高网络流量异常检测的正确率。

(二)本发明所采用的技术方案

一种非对称卷积网络的流量检测模型的训练方法，所述非对称卷积网络的流量检测模型包括非对称卷积自编码网络和分类网络，所述训练方法包括：

构建对称卷积自编码网络，所述对称卷积自编码网络包括编码网络和解码网络；

利用训练样本对所述对称卷积自编码网络进行训练；

将训练完成的所述对称卷积自编码网络中的解码网络去除，得到非对称卷积自编码网络；

利用所述非对称卷积自编码网络提取训练样本的抽象特征，并利用抽象特征训练分类网络，以完成非对称卷积网络的流量检测模型的训练。

优选地，在利用训练样本对所述对称卷积自编码网络进行训练的具体方法包括：

对原始网络流量数据进行预处理，获得一维格式的训练样本；

对一维的训练样本进行转换处理，获得二维格式的训练样本；

利用二维格式的训练样本对所述对称卷积自编码网络进行训练。

优选地，所属分类网络为随机森林网络，随机森林网络包括若干决策树，利用抽象特征训练分类网络的具体方法包括：