[发明专利]一种基于循环神经网络模型的加密攻击检测方法及装置

权利要求书

1.一种基于循环神经网络模型的加密攻击检测方法，应用于服务器，其特征在于，所述方法包括：

获取用于训练循环神经网络模型的训练样本集，其中，所述训练样本集包括多个训练样本以及每个训练样本的训练分类标签，所述训练样本包括存在加密攻击行为的数据流特征序列，所述训练分类标签包括所述存在加密攻击行为的数据流特征序列所对应的攻击行为类型；

根据所述训练样本集对所述循环神经网络模型进行训练，得到加密攻击检测模型；

根据所述加密攻击检测模型提取待检测数据流的目标数据流特征序列，并对所述目标数据流特征序列进行分类，得到所述目标数据流特征序列所对应的分类结果；

根据所述目标数据流特征序列所对应的分类结果对所述待检测数据流的数据源进行处理；

其中，所述循环神经网络模型包括循环网络和输出网络，所述循环网络包括以链式相连的各个循环单元构成的有向图网络，所述输出网络包括序列分类器；

根据所述训练样本集对所述循环神经网络模型进行训练，得到加密攻击检测模型的步骤，包括：

通过所述有向图网络中的每个循环单元提取所述训练样本集中每个训练样本的数据流特征序列的特征向量，并分别将所述特征向量输入到下一链式相连的循环单元进行循环提取，得到由每个循环单元分别提取得到的特征向量构成的特征向量序列；

将每个训练样本所对应的特征向量序列输入到所述序列分类器中，得到每个特征向量序列所对应的预测分类标签；

根据每个特征向量序列所对应的预测分类标签以及每个特征向量序列所对应的训练分类标签，对所述循环神经网络模型进行训练，得到加密攻击检测模型；

根据所述目标数据流特征序列所对应的分类结果对所述待检测数据流的数据源进行处理，包括：

获取与目标数据流特征序列所对应的分类结果匹配的数据源防护策略，并根据数据源防护策略对待检测数据流的数据源所发送的数据流进行数据源防护处理，该数据源防护策略包括在针对该待检测数据流的数据源的后续数据收发过程中，进行数据流过滤和阻止的防护处理单元；

根据所述防护处理单元，生成所述防护处理单元对对应的所述数据源进行防护处理时的防护处理进程和防护处理过滤信息；

将所述数据源所对应的数据流信息进行识别处理得到多个数据流分段，并根据所述防护处理过滤信息确定出每个数据流分段对应的过滤数据区域，根据所述过滤数据区域确定出对应的过滤数据区域序列；

将所述防护处理进程和所述防护处理过滤信息标识至所述过滤数据区域序列，得到目标过滤数据区域，并确定所述目标过滤数据区域与所述过滤数据区域序列中的每个过滤数据区域之间的相关度，根据相关度最大值对应的过滤数据区域的防护处理进程确定所述过滤数据区域的目标进程，然后根据所述目标进程对所述数据源执行数据防护处理。

2.根据权利要求1所述的基于循环神经网络模型的加密攻击检测方法，其特征在于，根据每个特征向量序列所对应的预测分类标签以及每个特征向量序列所对应的训练分类标签，对所述循环神经网络模型进行训练，得到加密攻击检测模型的步骤，包括：

计算每个特征向量序列所对应的预测分类标签以及每个特征向量序列所对应的训练分类标签之间的LOSS值；

根据所述LOSS值，采用反向传播算法计算所述循环神经网络模型的网络参数的梯度；

根据计算得到的所述梯度，采用随机梯度下降法更新所述循环神经网络模型的网络参数后继续迭代训练，当任意一次训练后的循环神经网络模型满足预设的训练终止条件时，输出训练得到的加密攻击检测模型。

3.根据权利要求2所述的基于循环神经网络模型的加密攻击检测方法，其特征在于，根据所述LOSS值，采用反向传播算法计算所述循环神经网络模型的网络参数的梯度的步骤，包括：

根据所述LOSS值确定反向传播训练的反向传播路径；

从所述循环神经网络模型中选择与所述反向传播路径对应的串接节点进行反向传播训练，并在到达所述反向传播路径对应的串接节点时，计算所述循环神经网络模型的网络参数的梯度。