[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

说明书

本发明公开了一种基于Tensorflow和Docker的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，该感知模型训练方法包括：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；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。由此，能够高效的处理海量网络数据，从而有效地进行网络安全态势的感知。

技术领域

本发明涉及网络安全技术领域，具体涉及一种基于Tensorflow和Docker的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。

背景技术

随着信息技术和网络的快速发展，计算机网络的资源共享愈发开放普及，随之而来的是信息安全问题日益突出。网络安全威胁的范围和内容不断扩大和演化，网络安全形势与挑战日益严峻复杂，感知网络安全态势成为十分迫切的需要。然而由于网络数据的数量十分庞大，如何根据海量数据来感知网络安全态势，成为困扰技术人员的难题。

发明内容

本发明要解决的技术问题在于，由于网络数据的数量十分庞大，难以根据海量的网络数据来感知网络安全态势。

为此，本发明实施例提供了一种基于Tensorflow和Docker的网络安全态势的感知模型训练方法，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；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。

优选的，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。

优选的，所述网络安全态势感知模型还包括分布式集群子模型。

优选的，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。

本发明实施例还提供了一种基于Tensorflow和Docker的网络安全态势感知方法，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上述任一种网络安全态势感知模型训练方法训练并达到预期训练结果的模型。

本发明实施例还提供了一种基于Tensorflow和Docker的网络安全态势感知模型训练装置，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；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。

优选的，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。

优选的，所述网络安全态势感知模型还包括分布式集群子模型。

优选的，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。