[发明专利]网络流量异常的检测方法、装置、电子装置和存储介质

权利要求书

1.一种网络流量异常的检测方法，其特征在于，包括：

获取不同监控状态下的多段流量数据；

获取所述多段流量数据中的异常特征向量；

根据所述异常特征向量，以及基于KNN算法训练初始分类模型，得到多个初始分类器；

根据所述异常特征向量和所述多个初始分类器，以及基于Adaboost算法训练初始Adaboost分类模型，得到Adaboost分类器；

使用所述Adaboost分类器对采集到的流量数据进行分类；

其中，根据所述异常特征向量，以及基于KNN算法训练初始分类模型，得到多个初始分类器，包括：

将第一预设阈值个所述异常特征向量作为训练集；

对所述训练集中的异常特征向量进行数据归一化处理；

确定进行数据归一化处理之后的所述训练集中的各个异常特征向量之间的距离；

根据所述距离和KNN算法训练所述初始分类模型，得到所述多个初始分类器；

将第二预设阈值个所述异常特征向量作为测试集；

将所述测试集输入到所述多个初始分类器中，得到每个初始分类器对应的分类结果；

确定每个初始分类器对应的分类结果的准确率；

判断所述每个初始分类器对应的分类结果的准确率是否均大于第三预设阈值；

若否，则获取不大于所述第三预设阈值的初始分类器，根据所述距离和KNN算法训练所述初始分类器，直到重新训练后的所述初始分类器对应的分类结果的准确率大于第三预设阈值。

2.根据权利要求1所述的网络流量异常的检测方法，其特征在于，获取所述多段流量数据的异常特征向量包括：

确定所述多段流量数据中的流量异常数据，并进行标记；

确定被标记之后的所述流量异常数据的特征数据；

根据所述特征数据，生成所述多段流量数据的异常特征向量。

3.根据权利要求1所述的网络流量异常的检测方法，其特征在于，对所述训练集中的异常特征向量进行数据归一化处理包括：

使用最值归一化，将所述训练集中的异常特征向量映射到0至1之间。

4.根据权利要求1所述的网络流量异常的检测方法，其特征在于，根据所述异常特征向量和所述多个初始分类器，以及基于Adaboost算法训练初始Adaboost分类模型，得到Adaboost分类器包括：

将第四预设阈值个异常特征向量作为训练组；

将所述训练组输入到多个初始分类器中，计算每个初始分类器的误差；

根据所述每个初始分类器的误差，确定所述每个初始分类器的权重；

根据所述每个初始分类器的权重训练与所述每个初始分类器的权重对应的初始分类器，直至收敛；

将训练之后的初始分类器输入到所述Adaboost分类模型，得到Adaboost分类器。

5.根据权利要求4所述的网络流量异常的检测方法，其特征在于，根据所述每个初始分类器的误差，确定所述每个初始分类器的权重包括：

初始化每个初始分类器；

将预设值分别赋予给初始化之后的每个初始分类器；

根据所述每个初始分类器的误差，确定所述每个初始分类器的权重。