[发明专利]模型训练方法、网络攻击检测方法、装置、设备及介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

对原始源域数据集以及原始目标域数据集中的各高维网络数据均进行降维处理，得到源域数据集以及目标域数据集；其中，所述原始目标域数据集包括的网络攻击类型的数量大于所述原始源域数据集包括的网络攻击类型的数量，所述源域数据集包括对所述原始源域数据集中的各高维网络数据降维后的低维网络数据，所述目标域数据集包括对所述原始目标域数据集中的各高维网络数据降维后的低维网络数据；

根据所述源域数据集中的低维网络数据，对初始源域卷积神经网络进行训练，得到源域卷积神经网络；

根据所述源域卷积神经网络，生成初始目标域卷积神经网络；

根据所述目标域数据集中的低维网络数据，对初始目标域卷积神经网络进行训练，得到目标域卷积神经网络；其中，所述目标域卷积神经网络用于检测高维待检测网络数据的网络攻击类型；

其中，所述源域卷积神经网络包括至少一层第一全连接层；

所述根据所述源域卷积神经网络，生成初始目标域卷积神经网络，包括：

去除所述源域卷积神经网络中的第一全连接层；

在所述源域卷积神经网络去除所述第一全连接层后剩余的网络主体的输出端添加依次连接的至少一层第二全连接层以及一层第三全连接层，形成所述初始目标域卷积神经网络；其中，在对所述初始目标域卷积神经网络进行训练的过程中，所述源域卷积神经网络去除所述第一全连接层后剩余的网络主体的参数被冻结，只对第二全连接层以及第三全连接层进行微调。

2.根据权利要求1所述的方法，其特征在于，所述第二全连接层的数量为3层，并且，所述第二全连接层的激活函数为Relu函数。

3.根据权利要求2所述的方法，其特征在于，所述第二全连接层的长度按照连接顺序分别为：1024、512以及256。

4.根据权利要求1所述的方法，其特征在于，所述第三全连接层的长度根据网络攻击类型的数量确定。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述对原始源域数据集以及原始目标域数据集中的各高维网络数据均进行降维处理，得到源域数据集以及目标域数据集，包括：

根据t-分布式随机邻域嵌入t-SNE算法，对所述各高维网络数据进行降维处理，得到所述源域数据集以及所述目标域数据集。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述源域数据集中的低维网络数据，对初始源域卷积神经网络进行训练，得到源域卷积神经网络，包括：

将所述源域数据集中的低维网络数据转换为源域二维图像；其中，所述源域数据集中的低维网络数据的维度为M'，所述源域二维图像的尺寸为H*H，H为对向上取整后的值；

根据所述源域二维图像，对初始源域卷积神经网络进行训练，得到所述源域卷积神经网络。

7.一种网络攻击检测方法，其特征在于，包括：

将高维待检测数据进行降维处理，得到降维后的低维待检测数据；

将所述低维待检测数据输入至目标域卷积神经网络，得到所述高维待检测数据所属的网络攻击类型；其中，所述目标域卷积神经网络采用如权利要求1至6任一所述的模型训练方法得到。

8.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一所述的方法。