[发明专利]一种基于神经网络的低幅值网络流量异常检测方法

权利要求书

1.一种基于神经网络的低幅值网络流量异常检测方法，其特征在于：所述基于神经网络的低幅值网络流量异常检测方法中的神经网络模块包括，

第二多层递归神经网络，所述第二多层递归神经网络的输入为可直接测量得到的链路流量，输出为部分OD流估计流量；以及，

第一多层递归神经网络，所述第一多层递归神经网络的输入为所述链路流量和作为补充约束输入的部分OD流估计流量，输出为特征参数的估计值。

2.根据权利要求1所述基于神经网络的低幅值网络流量异常检测方法，其特征在于：包括以下步骤，

11)准备第二多层递归神经网络的训练样本，训练第二多层递归神经网络的输入样本为链路流量样本，由所述链路流量样本得到链路节点间的OD流流量，所述第二多层递归神经网络的输出样本为从所述OD流流量中选择出的OD流子集；

12)准备第一多层递归神经网络的训练样本，训练第一多层递归神经网络的输入样本为所述链路流量样本和所述OD流子集，所述第一多层递归神经网络的输出样本为特征参数样本；

13)根据第一与第二多层递归神经网络的训练样本分别训练所述第一和第二多层递归神经网络的权值；

14)将实际网络的链路流量输入至训练完成后的所述神经网络模块内，所述神经网络模块的输出值为特征参数的估计值，根据所述特征参数的估计值判断所述实际网络的链路流量的状态。

3.根据权利要求2所述基于神经网络的低幅值网络流量异常检测方法，其特征在于：所述OD流子集的选择方法包括，

第一种选择方法，所述第一种选择方法针对多源到单目的地的特征，所述OD流子集包括指向该节点的多条OD流；

第二种选择方法，所述第二种选择方法针对单源到多目的的特征，所述OD流子集包括由同一源节点发出的多条OD流；以及，

第三种选择方法，所述第三种选择方法为针对链路或节点存在错误的特征，所述OD流子集包括经过同一节点或链路的多条OD流。

4.根据权利要求2所述基于神经网络的低幅值网络流量异常检测方法，其特征在于：所述特征参数样本为多条OD流变化特征相关系数，所述多条OD流变化特征相关系数满足公式

Z(a)=1mΣiΣjcoff(i,j,a),]]>

其中a表示当前采样时刻，coff(i，j，a)表示第i个和第j个OD流变化特征相关系数，m为OD流两两组合且i≠j时coff(i，j，a)的数目。