[发明专利]一种基于循环神经网络模型的加密攻击检测方法及装置

说明书

本申请实施例提供一种基于循环神经网络模型的加密攻击检测方法及装置，在获取到用于训练循环神经网络模型的训练样本集后，根据训练样本集对循环神经网络模型进行训练，得到加密攻击检测模型，然后根据加密攻击检测模型提取待检测数据流的目标数据流特征序列，并对目标数据流特征序列进行分类，得到目标数据流特征序列所对应的分类结果。如此，能够准确检测出加密攻击行为，从而便于及时对加密攻击行为进行后续的处理，进而提高数据信息的安全性。

技术领域

本申请涉及大数据人工智能深度学习技术领域，具体而言，涉及一种基于循环神经网络模型的加密攻击检测方法及装置。

背景技术

在数据流的收发过程中，通常可能会存在一些攻击行为，这些攻击行为会非法读取或者写入相关的信息数据，从而对数据信息的安全性造成极大威胁。基于此，在数据流的收发过程中，需要及时检测出这些攻击行为并进行阻止。

然而，经本申请发明人研究发现，这些攻击行为通常会以加密的形式存在的，而传统的方案中通常是通过将数据流的特征与预设的特征进行单独匹配从而确定数据流中是否存在攻击行为，但是该方案无法准确检测出加密攻击行为，进而导致无法及时对加密攻击行为进行后续的处理，极大降低了数据信息的安全性。

发明内容

有鉴于此，本申请的目的在于提供一种基于循环神经网络模型的加密攻击检测方法及装置，能够准确检测出加密攻击行为，从而便于及时对加密攻击行为进行后续的处理，进而提高数据信息的安全性。

根据本申请的第一方面，提供一种基于循环神经网络模型的加密攻击检测方法，应用于服务器，所述方法包括：

获取用于训练循环神经网络模型的训练样本集，其中，所述训练样本集包括多个训练样本以及每个训练样本的训练分类标签，所述训练样本包括存在加密攻击行为的数据流特征序列，所述训练分类标签包括所述存在加密攻击行为的数据流特征序列所对应的攻击行为类型；

根据所述训练样本集对所述循环神经网络模型进行训练，得到加密攻击检测模型；

根据所述加密攻击检测模型提取待检测数据流的目标数据流特征序列，并对所述目标数据流特征序列进行分类，得到所述目标数据流特征序列所对应的分类结果。

在第一方面的一种的可能的实施方式中，所述循环神经网络模型包括循环网络和输出网络，所述循环网络包括以链式相连的各个循环单元构成的有向图网络，所述输出网络包括序列分类器；

所述根据所述训练样本集对所述循环神经网络模型进行训练，得到加密攻击检测模型的步骤，包括：

通过所述有向图网络中的每个循环单元提取所述训练样本集中每个训练样本的数据流特征序列的特征向量，并分别将所述特征向量输入到下一链式相连的循环单元进行循环提取，以得到由每个循环单元分别提取得到的特征向量构成的特征向量序列；

将每个训练样本所对应的特征向量序列输入到所述序列分类器中，得到每个特征向量序列所对应的预测分类标签，其中，所述序列分类器包括交叉熵分类器；

根据每个特征向量序列所对应的预测分类标签以及每个特征向量序列所对应的训练分类标签，对所述循环神经网络模型进行训练，得到加密攻击检测模型。

在第一方面的一种的可能的实施方式中，所述根据每个特征向量序列所对应的预测分类标签以及每个特征向量序列所对应的训练分类标签，对所述循环神经网络模型进行训练，得到加密攻击检测模型的步骤，包括：

计算每个特征向量序列所对应的预测分类标签以及每个特征向量序列所对应的训练分类标签之间的LOSS值；

根据所述LOSS值，采用反向传播算法计算所述循环神经网络模型的网络参数的梯度；