[发明专利]一种融合通信网络流量异常检测方法及系统

说明书

本发明涉及一种融合通信网络流量异常检测方法及系统。该方法包括：获取融合通信网络的流量数据；根据所述流量数据，基于K折交叉验证，采用非贪婪教与学优化算法确定网络流量异常检测模型；根据待检测的融合通信网络的网络状态数据、协议分析数据以及业务运行状态数据，采用所述网络异常检测模型，确定所述待检测的融合通信网络的网络流量状态。本发明提升融合通信网络流量异常检测的准确性。

技术领域

本发明涉及融合通信网络和机器学习领域，特别是涉及一种融合通信网络流量异常检测方法及系统。

背景技术

随着通信技术和信息技术的发展，通信网络的类型日益复杂，网络规模不断扩大，基于IP网络的融合通信业务不断增加，融合通信技术和信息技术的融合通信已经成为当前电信运营商的重要发展方向之一。融合通信以IP通信为基础，以VoIP、视频通信、多媒体会议、协同办公以及即时通信等为核心业务能力，为用户提供随时随地接入网络享有统一通信的各种服务。融合通信网络业务众多，各业务的稳定良好运行非常重要，相应的网络安全问题也更加突出。因此，针对融合通信网络的安全技术研究对于融合通信网络的发展意义重大。

在目前众多的网络安全技术中，网络流量异常检测技术为网络攻击的拦截提供了有效保障，是解决网络安全问题的首要技术手段之一。因此，针对融合通信网络的流量异常检测技术为融合通信网络业务的可用性和安全性提供了重要的保障基础。现有流量异常检测方法主要可以分为基于特征规则的检测方法、基于统计分析的检测方法和基于机器学习的检测方法。随着机器学习技术的迅猛发展，机器学习技术由于其灵活和智能的特点在流量异常检测中被广泛应用。

对于基于机器学习的异常检测方法，机器学习算法参数是影响异常检测性能的关键因素。例如机器学习中的支持向量机（SVM）方法，由于具有坚实的理论基础，并适合处理高维非线性数据，在机器学习技术中扮演非常重要的作用。在实际应用中，SVM方法中的核函数和自由参数是决定其性能的关键因素。通常，SVM方法的核函数选用径向基函数（RBF），基于RBF核函数的SVM方法的两个关键影响因素是惩罚系数和核宽。惩罚系数用于控制对误判样本的惩罚程度，在模型复杂度和数据误拟合之间权衡：惩罚系数越大，对误判样本惩罚程度越大，可能导致过多支持向量而出现过拟合，泛化能力较差；反之，惩罚系数越小，对误判样本惩罚程度越小，可能使模型过于简单而出现欠拟合，结构风险较大。核宽决定着数据映射后的特征空间，从而影响SVM方法的性能。由此可见，惩罚系数和核宽分别从不同的方面影响着SVM方法的性能。不失一般性地，机器学习算法的参数对于算法的性能都非常重要，因此优化机器学习算法参数的选取对基于机器学习的异常检测方法至关重要。

目前，常用的优化机器学习算法参数的方法主要有：实验选取、网格搜索和梯度下降。实验选取方法全凭经验，缺乏理论指导，选取的参数不一定是最优的。网格搜索方法需要首先设置合理的搜索区间界限和间隔步长将搜索区间网格划分，对所有格点进行穷举验证，然后选取验证效果最好的一组参数作为最优参数。该方法虽然在一定程度上能够获得较优的参数组合，但搜索效率低下且难以设置合理的搜索区间界限和间隔步长。梯度下降方法对初始值的选择非常敏感，初始值设置不合理将难以获得最优参数。因此需要设计高效的优化算法进行参数优化选取。

近年来，群智能优化算法因其良好的全局寻优能力和寻优效率在学术界和工业界受到广泛关注，且被应用于机器学习方法的参数优化选取问题。教与学优化算法是一种模拟学生在班级中的学习过程的优化算法，因其全局寻优能力强和优化精度高的特点被应用于各个领域。但当面对复杂的优化问题时，该算法可能会陷入局部最优，因此亟需一种新的优化算法降低其陷入局部最优的可能性，从而在机器学习算法的参数优化中能够获得最优参数，有效提高算法的性能，提升融合通信网络流量异常检测的准确性。

发明内容

本发明的目的是提供一种融合通信网络流量异常检测方法及系统，提升融合通信网络流量异常检测的准确性。

为实现上述目的，本发明提供了如下方案：

一种融合通信网络流量异常检测方法，包括：