[发明专利]基于深度学习的流量异常检测方法、系统、终端及介质

权利要求书

1.基于深度学习的流量异常检测方法，其特征是，包括以下步骤：

S101：获取历史网络流量数据，并依据网络流量类型对历史网络流量数据进行分类处理；

S102：对各类历史网络流量数据进行归一化处理后得到相应类别的流量时间序列；

S103：通过深度学习神经网络训练模型对所有的流量时间序列进行训练后得到流量主线路、流量分支线路以及流量分支线路与流量主线路的关联信息；

S104：通过基于混沌理论方法的预测模型对流量主线路的流量时间序列进行预测得到下一刻的主流量预测数据；

S105：根据同一流量主线路的关联信息、网络流量预测数据计算得到相应流量分支线路下一刻的分支流量预测数据；

S106：获取实时网络流量数据，并将实时网络流量数据与流量预测数据对比分析后得到异常检测结果。

2.根据权利要求1所述的基于深度学习的流量异常检测方法，其特征是，所述深度学习神经网络训练模型包括输入层、第一隐藏层、第二隐藏层、输出层；

其中，输入层设有N个神经元，N为网络流量数据的分类类型数量；

第一隐藏层设有M个神经元，M为流量时间序列的序列数量；

第二隐藏层设有P×Q个神经元，P为预设主线路数量，N＝P+Q；

输出层设有三个神经元；

以及，输入层的每个神经元分别与第一隐藏层的每个神经元依次连接；

第一隐藏层的每个神经元分别与第二隐藏层的每个神经元依次连接；

第二隐藏层的每个神经元分别与输出层的每个神经元依次连接。

3.根据权利要求1所述的基于深度学习的流量异常检测方法，其特征是，所述流量主线路训练选取具体为：

流量主线路的流量时间序列各项数值均不为零；

以及，优先选择关联的流量分支线路数量最多的线路。

4.根据权利要求1所述的基于深度学习的流量异常检测方法，其特征是，所述关联信息包括：

流量分支线路与流量主线路关联的起始点信息；

流量分支线路与流量主线路关联的终止点信息；

流量分支线路与流量主线路于起始点至终止点时间段内的关联函数。

5.根据权利要求1所述的基于深度学习的流量异常检测方法，其特征是，所述基于混沌理论方法的预测模型具体为：

通过序列相关法确定流量时间序列的时间延迟，并通过饱和关联维数法确定流量时间序列的最佳嵌入维数；

根据最佳嵌入维数建立重构相空间，以间隔取点方式对流量时间序列预处理后投入到重构相空间中；

通过欧氏距离计算重构相空间中两个序列点之间的贴近度，选取与预测起报点之间的贴近度最小的多个序列点组成相似近点集；

通过相似近点集的后续序列点坐标值对预测起报点的后续序列点坐标变化进行预测。

6.基于深度学习的流量异常检测系统，其特征是，包括：

数据划分模块，用于获取历史网络流量数据，并依据网络流量类型对历史网络流量数据进行分类处理；

数据处理模块，用于对各类历史网络流量数据进行归一化处理后得到相应类别的流量时间序列；

模型训练模块，用于通过深度学习神经网络训练模型对所有的流量时间序列进行训练后得到流量主线路、流量分支线路以及流量分支线路与流量主线路的关联信息；

数据预测模块，用于通过基于混沌理论方法的预测模型对流量主线路的流量时间序列进行预测得到下一刻的主流量预测数据；

数据计算模块，用于根据同一流量主线路的关联信息、网络流量预测数据计算得到相应流量分支线路下一刻的分支流量预测数据；

异常检测模块，用于获取实时网络流量数据，并将实时网络流量数据与流量预测数据对比分析后得到异常检测结果。

7.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-5中任意一项所述的基于深度学习的流量异常检测方法。

8.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-5中任意一项所述的基于深度学习的流量异常检测方法。