[发明专利]网络入侵检测模型的构建方法、装置、设备及存储介质

权利要求书

1.一种网络入侵检测模型的构建方法，其特征在于，包括：

获取网络入侵检测的第一流量数据集；其中，所述第一流量数据集包括多个连续采样周期的流量时序数据；

对所述第一流量数据集进行预处理，得到第二流量数据集；

通过EfficientNet对所述第二流量数据集进行特征提取，得到初始特征图；

基于域随机化方法和所述初始特征图合成多个仿真特征图，以构成仿真特征图集，其中，所述基于域随机化方法和所述初始特征图合成多个仿真特征图，以构成仿真特征图集，包括：基于域随机化方法提取所述初始特征图的特征，将所述初始特征图的语义信息抽象成可变参数，并基于所述可变参数合成多个仿真特征图，再计算每个所述仿真特征图与所述初始特征图的相似度，再根据每个所述仿真特征图与所述初始特征图的相似度，筛选出与所述初始特征图相似的仿真特征图，构成仿真特征图集；

通过所述初始特征图和所述仿真特征图集对预先构建的深度学习模型进行训练，得到网络入侵检测模型。

2.如权利要求1所述的网络入侵检测模型的构建方法，其特征在于，所述方法还包括：

获取网络入侵检测实时采集的流量时序数据；

通过增量学习的方法和所述实时采集的流量时序数据，更新所述网络入侵检测模型的模型参数，得到更新后的网络入侵检测模型。

3.如权利要求1所述的网络入侵检测模型的构建方法，其特征在于，所述对所述第一流量数据集进行预处理，得到第二流量数据集，具体为：

从第n个所述采样周期的流量时序数据开始，将每个所述采样周期的流量时序数据与该采样周期前面的n-1个所述采样周期的流量时序数据进行整合，得到第二流量数据集；其中，n大于1。

4.如权利要求1所述的网络入侵检测模型的构建方法，其特征在于，所述计算每个所述仿真特征图与所述初始特征图的相似度，包括：

提取每个所述仿真特征图和所述初始特征图的特征向量；

计算每个所述仿真特征图的特征向量与所述初始特征图的特征向量的夹角余弦值；

将每个所述仿真特征图对应的夹角余弦值，作为每个所述仿真特征图与所述初始特征图的相似度。

5.如权利要求1所述的网络入侵检测模型的构建方法，其特征在于，所述根据每个所述仿真特征图与所述初始特征图的相似度，筛选出与所述初始特征图相似的仿真特征图，构成仿真特征图集，具体为：

判断每个所述仿真特征图与所述初始特征图的相似度是否大于预设阈值，当所述仿真特征图对应的相似度大于预设阈值时，判定所述仿真特征图与所述初始特征图相似，将该所述仿真特征图筛选出来，以构成仿真特征图集。

6.如权利要求5所述的网络入侵检测模型的构建方法，其特征在于，所述预设阈值的取值范围为0.5-1。

7.一种网络入侵检测模型的构建装置，其特征在于，包括：

数据获取模块，用于获取网络入侵检测的第一流量数据集；其中，所述第一流量数据集包括多个连续采样周期的流量时序数据；

数据预处理模块，用于对所述第一流量数据集进行预处理，得到第二流量数据集；

特征提取模块，用于通过EfficientNet对所述第二流量数据集进行特征提取，得到初始特征图；

数据仿真模块，用于基于域随机化方法和所述初始特征图合成多个仿真特征图，以构成仿真特征图集，其中，所述基于域随机化方法和所述初始特征图合成多个仿真特征图，以构成仿真特征图集，包括：基于域随机化方法提取所述初始特征图的特征，将所述初始特征图的语义信息抽象成可变参数，并基于所述可变参数合成多个仿真特征图，再计算每个所述仿真特征图与所述初始特征图的相似度，再根据每个所述仿真特征图与所述初始特征图的相似度，筛选出与所述初始特征图相似的仿真特征图，构成仿真特征图集；

模型构建模块，用于通过所述初始特征图和所述仿真特征图集对预先构建的深度学习模型进行训练，得到网络入侵检测模型。