[发明专利]融合深度神经网络和层级注意力机制的恶意流量检测方法

权利要求书

1.一种恶意流量检测方法，其特征在于，包括以下步骤：

S1，获取原始流量数据，将获取的所述原始流量数据保存为能识别的文件格式的流量数据；

S2，对步骤S1中保存的流量数据进行特征转换；

S3，对步骤S2中转换后的流量数据进行数据包分段，得到数据包段；

S4，通过时序处理特征向量捕获每个数据包段之间的特征信息；在步骤S4具体包括以下步骤：

S41，根据输入的流量数据计算获得更新门数据；其更新门数据的计算方法为：

z_t＝σ(W_zx_t+U_zh_t-1)，

W_z表示更新门的权重；

x_t表示时刻t输入的流量数据；

U_z表示前一时刻隐藏状态矩阵h_t-1的更新门权重；

h_t-1表示t-1时刻隐藏状态矩阵；

z_t表示更新门数据；

σ()表示激活函数sigmoid；

S42，根据输入的流量数据计算得到重置门数据；其重置门数据的计算方法为：

r_t＝σ(W_rx_t+U_rh_t-1)，

W_r表示重置门的权重；

U_r表示前一时刻隐藏状态矩阵h_t-1的重置门权重；

r_t表示重置门数据；

S43，根据步骤S42计算得到当前内存内容；其当前内存内容的计算方法为：

W_h表示流量数据x_t的权重矩阵；

⊙表示按元素点乘；

U表示候选集的权重；

h_t-1表示t-1时刻的隐藏状态矩阵；

表示当前候选集；

S44，根据步骤S41和步骤S43获取在当前时间步长的最后内存内容；其最后内存内容的计算方法为：

h_t表示t时刻的隐藏状态矩阵；

S5，分配得到注意力向量；其注意力向量的计算方法为：

u_i＝tanh(W_wh_i+b_w)，

tanh()表示双曲正切函数；

W_w表示隐藏状态矩阵h_i的权重矩阵；

h_i表示GRU模型在i时刻输出的隐藏状态矩阵；GRU模型用于步骤S4中，输入数据为流量数据；

b_w表示权重矩阵W_w的偏置；

u_i表示经过一层感知机后计算得到的值；

T表示矩阵的转置；

u_w表示注意力权重矩阵；

l表示数据包段中数据分段的个数；

α_i表示权重占比矩阵；

V_i＝∑_lα_ih_i，

V_i表示注意力机制加权后的注意力向量；

S6，对流量数据进行特征融合；对流量数据进行特征融合的计算方法为：

max()表示取最大值函数；

C_i,j表示隐藏状态矩阵中i行j列的值；

C_i,j+1表示隐藏状态矩阵中i行j+1列的值；

得到一维的向量

S7，对步骤S6中融合的特征进行线性变换；对融合的特征进行线性变换的计算方法为：

H表示下一层有多少个神经单元；

W_kj表示第j个稠密单元的权重向量；

x_k表示输入的信息；

b_j表示第j个稠密单元的偏差；

f()表示激活函数；

将每个神经单元的输出连接起来得到稠密结果D＝[D₁,D₂,D₃,...,D_l]；

S8，将流量数据进行分类。