[发明专利]一种基于深度学习的网络大数据安全防护方法

说明书

本发明公开了一种基于深度学习的网络大数据安全防护方法，其特征在于：包括，对网络数据进行预处理，基于预处理后的网络数据构建数据矩阵；基于深度学习构建初始的网络安全防护模型，利用初始的网络安全防护模型对数据矩阵进行训练，获得网络安全防护模型；利用网络安全防护模型识别数据矩阵中的不良数据，并设定防护阈值；若不良数据大于防护阈值，则断开外部网络和受保护网络之间的物理连接；否则，不做任何操作；本发明基于深度学习构建网络安全防护模型，提高了海量网络数据的安全性，加快了处理海量数据的速度。

技术领域

本发明涉及网络安全的技术领域，尤其涉及一种基于深度学习的网络大数据安全防护方法。

背景技术

云端海量大数据是数据分析的基础，数据本身的安全性和准确性，对数据分析的结果有重要影响。伴随着云端大数据时代的到来，传统的关系型数据处理技术已无力处理海量云端大数据。当前已有的智能化设奤仍然不能像人脑一样进行智能化的学习和干预事务。数据就是命脉，如何以最快的速度响应处理这些数据，如何保障这些海量数据的安全，成为当前研究的一大热点问题。

传统防护体系侧重于单点防护，而大数据环境下的网络攻击手段及攻击程序大量增多，导致出现了许多传统安全防护体系无法应对的问题，企业所面临的风险在不断增加。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于深度学习的网络大数据安全防护方法，能够解决难以处理海量数据的安全防护问题。

为解决上述技术问题，本发明提供如下技术方案：包括，对网络数据进行预处理，基于预处理后的网络数据构建数据矩阵；基于深度学习构建初始的网络安全防护模型，利用所述初始的网络安全防护模型对所述数据矩阵进行训练，获得网络安全防护模型；利用所述网络安全防护模型识别数据矩阵中的不良数据，并设定防护阈值；若所述不良数据大于所述防护阈值，则断开外部网络和受保护网络之间的物理连接；否则，不做任何操作。

作为本发明所述的基于深度学习的网络大数据安全防护方法的一种优选方案，其中：所述预处理包括，删除网络数据中的无关数据、重复数据，并处理缺失值；利用向量归一化策略对处理后的数据进行标准化转化；将转化后的数据进行降维处理。

作为本发明所述的基于深度学习的网络大数据安全防护方法的一种优选方案，其中：所述降维处理包括，将所述转化后的数据分为n个样本点，寻找每个样本点的近邻点；根据所述近邻点计算每个样本点的局部重建权值矩阵；基于所述每个样本点的局部重建权值矩阵分别将每个样本点进行映射，获得每个样本点的降维向量。

作为本发明所述的基于深度学习的网络大数据安全防护方法的一种优选方案，其中：所述初始的网络安全防护模型包括五层受限玻尔兹曼机的深度置信网络和一层长短期记忆人工神经网络。

作为本发明所述的基于深度学习的网络大数据安全防护方法的一种优选方案，其中：利用深度置信网络模型训练所述数据矩阵，获得各层的输入神经元；利用受限玻尔兹曼机训练所述各层的输入神经元；通过训练完成的五层受限玻尔兹曼机的深度置信网络提取不良数据的特征；将所述不良数据的特征输入到所述长短期记忆人工神经网络，但迭代次数满足要求时停止训练。

作为本发明所述的基于深度学习的网络大数据安全防护方法的一种优选方案，其中：所述迭代次数设置为300次。

作为本发明所述的基于深度学习的网络大数据安全防护方法的一种优选方案，其中：所述不良数据包括，拒绝服务攻击数据、未授权远程访问数据、端口监视或扫描数据和本地非授权用户获取本地超级用户数据。