[发明专利]基于加权自适应集成学习的虚拟流量异常检测方法、系统及流量智能监测平台

权利要求书

1.一种基于加权自适应集成学习的虚拟流量异常检测方法，其特征在于，包含如下内容：

收集带标签的样本数据，并将样本数据划分为训练样本集和测试样本集；

构建用于虚拟流分类识别的多分类器加权集成模型，并利用带标签的样本数据对多分类器加权集成模型进行训练测试，其中，该多分类器加权集成模型包含：由强化分类器和若干异质基分类器组成栈式集成结构，若干异质基分类器用于对输入的虚拟流特征向量进行初级分类，并在初级分类中对各基分类器的权重进行判定；强化分类器用于依据判定权重对基分类器初级分类结果进行多元线性回归的集成预测；

采集目标网络节点的虚拟流数据，并提取虚拟流数据的特征向量；利用已训练测试的多分类器加权集成模型对提取的特征向量进行类别预测，以识别目标节点虚拟流数据是正常流类型或攻击流类型。

2.根据权利要求1所述的基于加权自适应集成学习的虚拟流量异常检测方法，其特征在于，利用k-折交叉验证法将带标签的样本数据随机划分为k个子集，选中其中一个子集作为测试样本集，其他k-1个子集作为训练样本集，利用训练样本集和测试样本集对多分类器加权集成模型进行训练测试。

3.根据权利要求1所述的基于加权自适应集成学习的虚拟流量异常检测方法，其特征在于，初级分类中，依据每个基分类器的分类精度来判定各基分类器的权重，判定公式表示为：其中，m为基分类器个数，a_j为基分类器L_j的分类精度。

4.根据权利要求3所述的基于加权自适应集成学习的虚拟流量异常检测方法，其特征在于，对初级分类结果进行多元线性回归的过程表示为：

z＝b₀+w₁b₁y₁+w₂b₂y₂+…w_mb_my_m+ε，其中，b₀,b₁…b_m为常数项，y_m为基分类器L_m的分类结果，ε为回归系数。

5.根据权利要求1所述的基于加权自适应集成学习的虚拟流量异常检测方法，其特征在于，利用已训练的无监督学习网络来提取虚拟流数据中的特征向量。

6.一种基于加权自适应集成学习的虚拟流量异常检测系统，其特征在于，包含：样本收集模块、模型构建模块及目标识别模块，其中，

样本收集模块，用于收集带标签的样本数据，并将样本数据划分为训练样本集和测试样本集；

模型构建模块，用于构建用于虚拟流分类识别的多分类器加权集成模型，并利用带标签的样本数据对多分类器加权集成模型进行训练测试，其中，该多分类器加权集成模型包含：由强化分类器和若干异质基分类器组成栈式集成结构，若干异质基分类器用于对输入的虚拟流特征向量进行初级分类，并在初级分类中对各基分类器的权重进行判定；强化分类器用于依据判定权重对基分类器初级分类结果进行多元线性回归的集成预测；

目标识别模块，用于采集目标网络节点的虚拟流数据，并提取虚拟流数据的特征向量；利用已训练测试的多分类器加权集成模型对提取的特征向量进行类别预测，以识别目标节点虚拟流数据是正常流类型或攻击流类型。

7.一种流量智能监测平台，其特征在于，基于软件定义安全来实现物理主机内虚拟机间的网络流量检测，包含：资源层、控制层和安全业务层，其中，资源层，将物理和/或虚拟形态下进行智能检测的网络安全节点进行池化并分解成用于部署配置的各安全实体，每个安全实体中基于权利要求1所述方法中的基分类器和/或强化分类器来进行虚拟流量的异常分类检测；控制层，利用安全控制器编排安全业务、制定安全策略并下发安全任务，依据安全任务和安全策略通过网络控制器来驱动虚拟流迁移至各安全实体进行处理；安全业务层，将各安全实体提供的流量异常检测抽象为原子服务，依据用户需求选择对应原子服务加入服务编排来制定用户所需的安全服务。