[发明专利]基于深度学习的DDoS检测方法、装置、电子设备及存储介质

权利要求书

1.一种基于深度学习的DDoS检测方法，其特征在于，包括：

获取训练数据；

将所述训练数据输入至入侵检测系统分类器模型，得到输出结果；

根据所述输出结果检测DDoS；

其中所述入侵检测系统分类器模型使用由卷积层、子采样层和全连接层组成的CNN网络结构，构建方式如下：

将提取的特征向量表示为x∈X_M，并将对应的分类标签表示为y_x∈[k]＝{1…k}，标记数据集S＝{(x_i，y_xi)：i∈{1…N}}，其中样本中的随机变量x和y_x来自未知联合分布D，输入的特征向量有N个特征值，网络结构中有l个隐层，x^l为每一层的输出向量，通过公式(1)计算出每一层的输出向量：

u^l表示卷基层对应的激活函数，b^l是额外偏差，W^l表示该层网络的权重；

通过公式(2)计算l层在(i，j)坐标下的特征值

其中m表示输入特征向量集合；i表示特征向量的维数；j表示卷积核参数；*是卷积运算；是额外偏差；

池化层函数如公式(3)，并将适用于每一层的特征值x^l：

在卷积层和子采样层之后存在全连接层，在输出层使用softmax激活函数用于分类任务,输出的后验概率估计值如公式(4)：

f(x)∈R，其中f_j(x)是j^th的分量：p∈R^k,其中p_j≥0且R代表的是随机变量x和f(x)所构成的未知联合分布。

2.根据权利要求1所述的基于深度学习的DDoS检测方法，其特征在于，获取所述训练数据包括：

获取训练数据集中的每一条数据；其中所述每一条数据包括第一数量维特征；

将包括第一数量维特征的数据通过单热编码转换为包括第二数量维特征的数据；其中，所述第二数量大于所述第一数量；

对包括第二数量维特征的数据进行归一化处理，得到0-1之间的浮点数据；

将所述浮点数据进行最大方差求解，得到最大方差求解结果；其中，所述最大方差求解结果指示将所述包括第二数量维特征的数据降维为包括第三数量维特征的数据；将所述包括第三数量维特征的数据作为所述训练数据。

3.根据权利要求1所述的基于深度学习的DDoS检测方法，其特征在于，对包括第二数量维特征的数据进行归一化处理包括：

采用如下公式(5)对所述第二数据进行归一化处理；

其中，y为归一化预期值，M_max为指定数量维数据中数值最大的数，M_min为指定数据维数据中数值最小的数。

4.根据权利要求1所述的基于深度学习的DDoS检测方法，其特征在于，将所述浮点数据进行最大方差求解，得到最大方差求解结果之后，还包括：

根据所述最大方差求解结果设置数据特征值之间的相似度值设置为第一预定阈值。

5.根据权利要求1所述的基于深度学习的DDoS检测方法，其特征在于，所述方法还包括：

通过完全连接的层来连接多个卷积层的特征向量；

将所述多个卷积层的特征向量组成一个复合向量。

6.根据权利要求1至5中任一所述的基于深度学习的DDoS检测方法，其特征在于，所述方法还包括：

获取损失函数；

根据所述损失函数评估分类器的性能；

其中，所述损失函数通过如下公式(9)获取：

如下公式(10)是满足式的对称损失：

损失函数的随机下降梯度如下所示：

其中θ是学习过程中卷积层的参数，α与0.001的绝对值小于第二预定阈值。