[发明专利]基于深度学习的流量异常检测方法及装置

说明书

本发明提供了一种基于深度学习的流量异常检测方法及装置，所述方法通过对网络流量数据进行分段处理，对分段的流量数据进行统计，分类出正常与异常的流量数据，并分别对正常与异常流量数据进行标识，将标识的流量数据导入深度神经网络流量训练模型进行学习，得到一个深度神经网络流量预测模型，深度神经网络流量预测模型实现异常流量的预测判断，克服了传统人工监控和阈值预警的低效率及延迟长的缺点，并且深度神经网络能自己从大量数据中提取有用的数据特征，避免了人工对流量数据特征提取困难的问题。

技术领域

本发明涉及一种流量异常检测方法及装置，尤其是指一种基于深度学习的流量异常检测方法及装置。

背景技术

对于网络系统，用户的网络流量具有不确定性，系统可能因为内部问题导致访问流量下降，也可能受到网络攻击而导致流量大增。这些不常规的流量暂且称为异常流量，对于异常流量的检测，传统的处理方式主要是通过人工监控或系统设置阈值进行预警。人工监控和阈值预警机制效率低、延迟长且阈值不容易确定。

发明内容

本发明所要解决的技术问题是：流量异常检测的准确率不高的问题。

为了解决上述技术问题，本发明采用的技术方案为：一种基于深度学习的流量异常检测方法，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。

优选地，步骤S20，对网络流量数据进行分段处理的时间间隔相同。

优选地，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。

优选地，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。

优选地，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。

为解决上述技术问题，本发明采用的另一个技术方案为：一种基于深度学习的流量异常检测装置，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；