[发明专利]一种基于人工智能的网络安全监控方法

说明书

本发明涉及网络安全入侵检测技术领域，具体涉及一种基于人工智能的网络安全监控方法，包括：获得所有规范特征点组成的规范特征空间的行和曲线和列和曲线；对行和曲线进行分段得到所有行曲线段，根据行曲线段的可能性获得目标行曲线段；获得目标行曲线段对应的目标行的行合适度以及目标列曲线段对应的目标列的行合适度；根据行合适度和列合适度获得目标区域中规范特征点的合适度，进而获得最优初始聚类中心；根据最优初始聚类中心获得聚类结果，对所有规范特征点进行的异常判断，识别出网络是否安全。本发明结合规范特征空间中规范特征点的分布情况，获得最优初始聚类中心，对所有规范特征点进行的异常判断，实现网络安全监控的目的。

技术领域

本发明涉及数据处理领域，具体涉及一种基于人工智能的网络安全监控方法。

背景技术

随着互联网的普及，人们的生活越来越便利，但随着网络数据的激增，各种威胁也应运而生，网络入侵是困扰网络安全的重要问题，如何在大量的数据中有效的检测出网络入侵行为是网络安全领域研究的热点。

传统网络安全监控方法大多采用基于规则匹配的方法进行网络安全入侵的判断，此类方法不具备学习能力和推理能力，难以保证数据的安全性。数据挖掘解决了传统方法对先验知识的依赖，数据挖掘的检测模型主要集中在数据的处理分析上，对网络数据进行预处理，挖掘数据内在特征，最终输出结果。其中利用K-means聚类算法在入侵检测方面取得了很好的效果，但K-means聚类算法的聚类效果受初始点的影响较大，不同的初始聚类中心可能会得到完全不同的聚类效果，因此一个较优的初始聚类中心可能会使算法的聚类质量大幅度提升。

发明内容

为了解决上述问题，本发明提供一种基于人工智能的网络安全监控方法，所述方法包括：

获得所有规范特征点组成的规范特征空间；获得规范特征空间的行和曲线和列和曲线；

通过对行和曲线进行分段获得所有行曲线段，根据行曲线段的可能性获得所有目标行曲线段，包括：根据行和曲线上行特征点与相邻行特征点的行特征值的关系获得行特征点的状态，根据行特征点的状态获得极大行特征点和极小行特征点；根据极小行特征点对行和曲线进行分段获得所有行曲线段；根据每个行曲线段上极大行特征点的数量和行特征值计算每个行曲线段的可能性；将可能性最大的预设数量个行曲线段记为目标行曲线段；

同理，通过对列和曲线进行分段获得所有列曲线段，根据列曲线段的可能性获得所有目标列曲线段；

获得所有目标行曲线段对应的所有目标行的行合适度，包括：根据每个目标行曲线段上极小行特征点的数量和第二特征值，计算每个目标行曲线段的范围；将目标行曲线段上的行特征点在规范特征空间中对应的所有行，记为目标行曲线段对应的所有目标行；根据目标行曲线段的范围计算目标行曲线段对应所有目标行的行合适度；

同理，获得所有目标列曲线段对应的所有目标列的列合适度；

根据所有目标行曲线段和目标列曲线段获得所有目标区域，根据行合适度和列合适度计算目标区域中所有规范特征点的合适度，根据所有规范特征点的合适度获得最优初始聚类中心；根据最优初始聚类中心获得聚类结果，对所有规范特征点进行的异常判断，识别出网络是否安全。

进一步地，所述根据行和曲线上行特征点与相邻行特征点的行特征值的关系获得行特征点的状态的步骤包括：

对于行和曲线上第个行特征点，根据第个行特征点的行特征值，与第个行特征点的行特征值，以及第个行特征点的行特征值的大小关系，获得行特征点的状态，具体为：当大小关系满足时，第个行特征点的状态为上升状态；当大小关系满足时，第个行特征点的状态为极大值状态；当大小关系满足时，第个行特征点的状态为下降状态；当大小关系满足时，第个行特征点的状态为极小值状态。

进一步地，所述根据每个行曲线段上极大行特征点的数量和行特征值计算每个行曲线段的可能性的步骤包括：

任意一个行曲线段的可能性计算公式为：