[发明专利]融合深度神经网络和层级注意力机制的恶意流量更新方法

权利要求书

1.一种融合深度神经网络和层级注意力机制的恶意流量更新方法，其特征在于，包括以下步骤：

S1，获取原始流量数据，对获取的所述原始流量数据进行预处理；

S2，通过时序处理特征向量捕获每个流量数据之间的特征信息；步骤S2具体包括以下步骤：

S21，根据输入的流量数据计算获得更新门数据；其更新门数据的计算方法为：

z_t＝σ(W_zx_t+U_zh_t-1)，

σ()表示激活函数sigmoid；

W_z表示更新门的权重；

x_t表示时刻t输入的数据；

U_z表示前一时刻隐藏状态矩阵h_t-1的更新门权重；

h_t-1表示t-1时刻隐藏状态矩阵；

z_t表示更新门数据；

S22，根据输入的流量数据计算得到重置门数据；其重置门数据的计算方法为：

r_t＝σ(W_rx_t+U_rh_t-1)，

σ()表示激活函数sigmoid；

W_r表示重置门的权重；

x_t表示时刻t输入的数据；

U_r表示前一时刻隐藏状态矩阵h_t-1的重置门权重；

h_t-1表示t-1时刻隐藏状态矩阵；

r_t表示重置门数据；

S23，根据步骤S22计算得到当前内存内容；其当前内存内容的计算方法为：

W_h表示流量数据x_t的权重矩阵；

x_t表示时刻t输入的数据；

r_t表示重置门数据；

⊙表示按元素点乘；

U表示候选集的权重；

h_t-1表示t-1时刻的隐藏状态矩阵；

tanh()表示双曲正切函数；

表示当前候选集；

S24，根据步骤S21和步骤S23获取在当前时间步长的最后内存内容；其最后内存内容的计算方法为：

z_t表示更新门数据；

h_t-1表示t-1时刻隐藏状态矩阵；

表示当前候选集；

h_t表示t时刻的隐藏状态矩阵；

S3，分配得到注意力向量；其注意力向量的计算方法为：

u_i＝tanh(W_wh_i+b_w)，

tanh()表示双曲正切函数；

W_w表示隐藏状态矩阵h_i的权重矩阵；

h_i表示GRU模型在i时刻输出的隐藏状态矩阵；

b_w表示权重矩阵W_w的偏置；

u_i表示经过一层感知机后计算得到的值；

T表示矩阵的转置；

u_w表示注意力权重矩阵；

l表示数据包段中数据分段的个数；数据包段是根据时间的先后顺序，把流量数据按长度进行分段；

α_i表示权重占比矩阵；

V_i＝Σ_lα_ih_i，

V_i表示注意力机制加权后的注意力向量；

S4，对其流量数据进行特征融合；并对融合的特征进行线性变换；对其流量数据进行特征融合的计算方法为：

max()表示取最大值函数；

C_i,j表示隐藏层h矩阵中i行j列的值；

C_i,j+1表示隐藏层h矩阵中i行j+1列的值；

得到一维的向量

对其融合的特征进行线性变换的计算方法为：

H表示下一层有多少个神经单元；

W_kj表示第j个稠密单元的权重向量；

x_k表示输入的信息；

b_j表示第j个稠密单元的偏差；

f()表示激活函数；

将每个单元的输出连接起来得到稠密结果D＝[D₁,D₂,D₃,...,D_l]；

S5，将流量数据进行分类；

S6，对其迭代更新。