[发明专利]基于变分LSTM的高维特征提取方法、系统、设备及介质

权利要求书

1.一种基于变分LSTM的高维特征提取方法，其特征在于，包括：

获取原始流量数据，其中，所述原始流量数据包括网络流量数据和攻击流量数据；

对所述原始流量数据进行预处理，降低数据复杂度得到中间流量数据；

利用变分贝叶斯算法对所述中间流量数据进行压缩，得到隐藏变量；

根据所述隐藏变量提取所述网络流量数据和所述攻击流量数据中对应的关键特征。

2.根据权利要求1所述的方法，其特征在于,所述对所述原始流量数据进行预处理，降低数据复杂度得到中间流量数据的步骤，包括：

分别对所述网络流量数据和所述攻击流量数据进行符号特征数字化操作、类型标签数字化操作和数据正则化操作；

将处理后的网络流量数据和处理后的攻击流量数据形成所述中间流量数据。

3.根据权利要求1所述的方法，其特征在于,所述利用变分贝叶斯算法对所述中间流量数据进行压缩，得到隐藏变量的步骤，包括：

将所述中间流量数据输入LSTM编码器和前馈神经网络进行编码，得到均值矩阵和协方差矩阵；

将所述均值矩阵和所述协方差矩阵代入所述变分贝叶斯算法，并利用变分重参数化构建低维特征矩阵；

将所述低维特征矩阵作为所述隐藏变量。

4.根据权利要求3所述的方法，其特征在于,所述将所述均值矩阵和所述协方差矩阵代入所述变分贝叶斯算法，并利用变分重参数化构建低维特征矩阵的步骤，包括：

根据所述均值矩阵和所述协方差矩阵确定后验分布并优化对数似然函数的下界；

对所述均值矩阵和所述协方差矩阵进行采样，并利用所述变分重参数化构建所述低维特征矩阵。

5.根据权利要求5所述的方法，其特征在于,所述低维特征矩阵的表达式为Z＝μ+ε×σ，其中，μ为所述均值矩阵，σ为所述协方差矩阵，ε～N(0,1)。

6.根据权利要求5所述的方法，其特征在于,所述利用变分重参数化构建所述低维特征矩阵的步骤，包括：

计算所述中间流量数据的概率密度、重构项，以及所述中间流量数据和所述重构项之间的散度；

最小化所述重构项，并根据所述概率密度和所述散度计算互信息；

将所述互信息作为所述低维特征的损失矩阵。

7.一种基于变分LSTM的高维特征提取系统，其特征在于，包括：

获取模块，用于获取原始流量数据，其中，所述原始流量数据包括网络流量数据和攻击流量数据；

预处理模块，用于对所述原始流量数据进行预处理，降低数据复杂度得到中间流量数据；

压缩模块，用于利用变分贝叶斯算法对所述中间流量数据进行压缩，得到隐藏变量；

提取模块，用于根据所述隐藏变量提取所述网络流量数据和所述攻击流量数据中对应的关键特征。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的基于变分LSTM的高维特征提取方法。

9.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-6中任一项所述的基于变分LSTM的高维特征提取方法。