[发明专利]网络安全态势的感知方法和装置及感知模型训练方法和装置

权利要求书

1.一种基于Tensorflow和Docker的网络安全态势的感知模型训练方法，其特征在于，包括：

获取历史网络态势要素数据；

采用所述历史网络态势要素数据训练预设的网络安全态势感知模型，所述网络安全态势感知模型包括运行在Docker容器内的Tensorflow宽度和深度学习子模型，其中，宽度学习子模型为具有稀疏矩阵和交叉特征向量的线性模型，深度学习子模型为深度前馈神经网络模型，所述Tensorflow宽度和深度学习子模型根据下式得到：

P(Y＝1/x)＝σ(w^T_wide[x,φ(x)]+w^T_deepa(^l_f)+b)

其中，Y是分类标签，σ是阈值函数，φ(x)是原始特征x的交叉乘积变换，W_wide是宽度学习子模型权重的向量，W_deep是应用于最终激活a(^lf)的权重，b是偏置项；

判断所述网络安全态势感知模型的训练结果是否达到预期；

当未达到预期时，重复执行所述获取历史网络态势要素数据的步骤至所述采用所述历史网络态势要素数据训练预设的网络安全态势感知模型的步骤，直至所述网络安全态势感知模型的训练结果达到预期。

2.根据权利要求1所述的方法，其特征在于，所述获取历史网络态势要素数据包括：采用管道通讯机制获取所述历史网络态势要素数据。

3.根据权利要求1所述的方法，其特征在于，所述网络安全态势感知模型还包括分布式集群子模型。

4.根据权利要求1所述的方法，其特征在于，所述Tensorflow宽度和深度学习子模型中包括PReLU激活函数和Softmax损失函数。

5.一种基于Tensorflow和Docker的网络安全态势的感知方法，其特征在于，包括：

获取当前网络态势要素数据；

根据所述当前网络态势要素数据，通过预设的网络安全态势感知模型获取当前网络态势，其中所述网络安全态势感知模型是使用权利要求1-4中任一项所述的网络安全态势的感知模型训练方法训练并达到预期训练结果的模型。

6.一种基于Tensorflow和Docker的网络安全态势的感知模型训练装置，其特征在于，包括：

历史网络态势要素数据获取单元，用于获取所述历史网络态势要素数据；

模型训练单元，用于采用所述历史网络态势要素数据训练预设的网络安全态势感知模型，所述网络安全态势感知模型包括运行在Docker容器内的Tensorflow宽度和深度学习子模型，其中，宽度学习子模型为具有稀疏矩阵和交叉特征向量的线性模型，深度学习子模型为深度前馈神经网络模型，所述Tensorflow宽度和深度学习子模型根据下式得到：

P(Y＝1/x)＝σ(w^T_wide[x,φ(x)]+w^T_deepa(^l_f)+b)

其中，Y是分类标签，σ是阈值函数，φ(x)是原始特征x的交叉乘积变换，W_wide是宽度学习子模型权重的向量，W_deep是应用于最终激活a(^lf)的权重，b是偏置项；

训练结果判断单元，用于判断所述网络安全态势感知模型的训练结果是否达到预期，以及当所述训练结果未达到预期时，跳转到所述历史网络态势要素数据获取单元。

7.根据权利要求6所述的装置，其特征在于，所述历史网络态势要素数据获取单元还用于：采用管道通讯机制获取所述历史网络态势要素数据。

8.根据权利要求6所述的装置，其特征在于，所述网络安全态势感知模型还包括分布式集群子模型。