[发明专利]网络流量异常检测方法、电子设备及可读存储介质

说明书

本发明提供一种网络流量异常检测方法、电子设备及可读存储介质，其中方法包括：获取实时网络流量数据并对其进行第一预设处理，获取第一实时流量数据；将第一实时流量数据输入目标深度单类概率模型，以通过进行端到端的数据分析，实现网络流量异常的实时检测；其中，目标深度单类概率模型为预先通过对正常网络下的流量数据提取设定类型特征，并基于设定类型特征，在改进的深度单类模型损失函数下训练获取的。本发明通过改进网络优化的损失函数并采用深度单类概率模型进行端到端的分析检测，使得提取的特征对正常和异常数据更具有区分性，数据特征的完备性和异常检测的有效性能得到有效保障，从而能有效提高检测效率和准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种网络流量异常检测方法、电子设备及可读存储介质。

背景技术

随着互联网数字化技术的发展，网络环境正遭越来越大的冲击，网络攻击方式变得多样化，直接威胁着用户的数据信息安全。然而，随着人工智能和大数据的兴起，深度学习技术对网络入侵的检测起到了极大的帮助作用。

目前，检测网络入侵的方法主要基于历史数据库内的流量信息，通过存取很大的数据流量，人工分析并设计数据的内在特征并进行降维，再利用传统机器学习技术进行异常检测。

但是，上述检测方法中实时数据需要一定时间的积累才能用于网络的自训练过程，若攻击方式在某一时刻发生了改变，网络响应不及时，且需要人工分析网络数据的特征共性，因此会造成检测效率较低。

发明内容

本发明提供一种网络流量异常检测方法、电子设备及可读存储介质，用以解决现有技术需要收集数据量大，检测效率低等问题的缺陷，实现有效提高检测效率的目标。

本发明提供一种网络流量异常检测方法，包括：

获取实时网络流量数据，并对所述实时网络流量数据进行第一预设处理，获取第一实时流量数据；

将所述第一实时流量数据输入目标深度单类概率模型，以通过进行端到端的数据分析，实现网络流量异常的实时检测；

其中，所述目标深度单类概率模型为预先通过对正常网络下的流量数据提取设定类型特征，并基于所述设定类型特征，在改进的深度单类模型损失函数下训练获取的。

根据本发明一个实施例的网络流量异常检测方法，在所述将所述第一实时流量数据输入目标深度单类概率模型之前，还包括训练所述目标深度单类概率模型的步骤，包括：

获取第一目标时间段内的第一网络流量数据，并对所述第一网络流量数据进行第一数据处理，获取正常网络下的第一有效网络数据；

搭建初始编码-解码深度网络模型，并基于第一损失函数，利用所述第一有效网络数据，训练所述初始编码-解码深度网络模型，直至训练收敛完成，获取目标编码-解码深度网络模型并提取所述第一有效网络数据的所述设定类型特征；

获取第二目标时间段内的第二网络流量数据，并对所述第二网络流量数据进行第二数据处理，获取正常网络下的第二有效网络数据；

基于所述目标编码-解码深度网络模型中编码层的架构和参数，搭建初始深度单类概率模型，并基于所述改进的深度单类模型损失函数，利用所述第二有效网络数据，训练所述初始深度单类概率模型，使所述第二有效网络数据在高维特征空间中向所述设定类型特征收缩，直至训练收敛完成，获取所述目标深度单类概率模型。

根据本发明一个实施例的网络流量异常检测方法，所述获取所述目标深度单类概率模型，还包括：

通过计算所述高维特征空间中距离所述设定类型特征最远的特征点至所述设定类型特征的距离，获取所述高维特征空间的球形半径。

根据本发明一个实施例的网络流量异常检测方法，所述通过进行端到端的数据分析，实现网络流量异常的实时检测，包括：