[发明专利]基于深度学习的流量异常检测方法及装置

权利要求书

1.一种基于深度学习的流量异常检测方法，其特征在于：包括训练流程和预测流程，

训练流程包括，

S10)、获取历史的网络流量数据；

S20)、对网络流量数据进行分段处理，统计每段网络流量数据；

S30)、对分段处理的网络流量数据进行分类，一类为正常网络流量数据，另一类为异常网络流量数据；

S40)、分别对正常网络流量数据与异常网络流量数据作标识；

S50)、将网络流量数据输入深度神经网络流量训练模型进行训练，得到一个深度神经网络流量预测模型；

所述深度神经网络流量训练模型设有4层，为依次连接的输入层、第一隐层、第二隐层、输出层，输入层设有5个神经元，第一隐层设有8个神经元，第二隐层设有8个神经元，输出层设有2个神经元；所述输入层的神经元与第一隐层的神经元相互连接，所述第一隐层的神经元与所述第二隐层的神经元相互连接，所述第二隐层的神经元与所述输出层的神经元相互连接；

所述预测流程包括，

S70)、将待预测的网络流量数据导入深度神经网络流量预测模型；

S80)、深度神经网络流量预测模型计算出网络流量异常的概率；

S90)、分别输出网络流量正常与异常的概率。

2.如权利要求1所述的基于深度学习的流量异常检测方法，其特征在于，步骤S20，对网络流量数据进行分段处理的时间间隔相同。

3.如权利要求1所述的基于深度学习的流量异常检测方法，其特征在于，所述步骤S50后还包括步骤，

S60)、将深度神经网络流量预测模型生成保存文件进行保存。

4.如权利要求1所述的基于深度学习的流量异常检测方法，其特征在于：以t时刻为当前时刻，将t到t-4时刻的流量数据从输入层输入深度神经网络流量训练模型。

5.一种基于深度学习的流量异常检测装置，其特征在于，它包括：

数据获取模块，用于获取历史的网络流量数据；

数据处理模块，用于对网络流量数据进行分段处理，统计每段网络流量数据；

数据分类模块，用于对分段处理的网络流量数据进行分类，一类为正常网络流量数据，另一类为异常网络流量数据；

数据标识模块，用于分别对正常网络流量数据与异常网络流量数据作标识；

深度神经网络流量训练模型，用于将网络流量数据输入深度神经网络流量训练模型进行训练，得到一个深度神经网络流量预测模型；

所述深度神经网络流量训练模型设有4层，为依次连接的输入层、第一隐层、第二隐层、输出层，输入层设有5个神经元，第一隐层设有8个神经元，第二隐层设有8个神经元，输出层设有2个神经元；所述输入层的神经元与第一隐层的神经元相互连接，所述第一隐层的神经元与所述第二隐层的神经元相互连接，所述第二隐层的神经元与所述输出层的神经元相互连接；

数据导入模块，用于将待预测的网络流量数据导入深度神经网络流量预测模型；

深度神经网络流量预测模型，用于计算出网络流量异常的概率；

输出层，分别输出网络流量正常与异常的概率。

6.如权利要求5所述的基于深度学习的流量异常检测装置，其特征在于，它包括：

数据处理模块，用于对网络流量数据按相同的时间间隔进行分段处理。

7.如权利要求5所述的基于深度学习的流量异常检测装置，其特征在于，它包括：

文件保存模块，用于将深度神经网络流量预测模型生成保存文件进行保存。

8.如权利要求5所述的基于深度学习的流量异常检测装置，其特征在于，它包括：

数据输入模块，用于以t时刻为当前时刻，将t到t-4时刻的流量数据从输入层输入深度神经网络流量训练模型。