[发明专利]流量入侵检测方法、装置、设备、存储介质和程序产品

权利要求书

1.一种流量入侵检测方法，包括：

获取多个流量数据包；

基于神经网络分别从多个流量数据包中提取多个特征向量；

通过对所述多个特征向量构成的数据流进行傅里叶变换，提取所述数据流的频域特征；以及

通过分类器，根据所述频域特征检测所述数据流的类型。

2.根据权利要求1所述的流量入侵检测方法，其中，所述基于神经网络分别从多个流量数据包中提取多个特征向量，包括：

通过所述神经网络的卷积层的多组输入通道，分别从多个流量数据包中提取多个初始特征向量；以及

对于所述多个流量数据包中每个流量数据包的初始特征向量，通过所述神经网络的全连接层，对所述初始特征向量进行压缩，得到所述特征向量，其中所述特征向量的维度小于所述初始特征向量。

3.根据权利要求2所述的流量入侵检测方法，其中，所述多个流量数据包包括M个数据包，所述神经网络的卷积层包括M个输入通道和N个输出通道，M和N为正整数；所述通过所述神经网络的卷积层的多组输入通道，分别从多个流量数据包中提取多个初始特征向量，包括：

将所述M个输入通道划分为M组通道，每组通道包括一个输入通道，每个所述输入通道设有一个卷积核；

通过所述M组通道的M个所述卷积核分别对所述M个数据包进行深度卷积运算，得到M个第一特征向量；

对所述M个第一特征向量进行逐点卷积运算，通过所述N个输出通道，得到N个所述初始特征向量。

4.根据权利要求3所述的流量入侵检测方法，其中，所述通过所述M组通道的M个所述卷积核分别对所述M个数据包进行深度卷积运算，得到M个第一特征向量，包括：

根据

对M个数据包进行深度卷积运算，其中，K_d，m为所述M个输入通道中第m个输入通道的卷积核，Q_l+d-1，m为所述第m个通道中长为l的一维卷积特征图，d为所述卷积核遍历的所述一维卷积特征图特中的像素点。

5.根据权利要求3所述的流量入侵检测方法，其中，所述对所述M个第一特征向量进行逐点卷积运算，通过所述N个输出通道，得到N个所述初始特征向量，包括：

根据

对所述M个第一特征向量进行逐点卷积运算，其中，W_d，m，n为所述M个输入通道中第m个输入通道及所述N个输出通道中第n输出通道的卷积核，Q_l+d，m为所述第m个输入通道中长为l的一维卷积特征图，d为所述卷积核遍历的所述一维卷积特征图的像素点。

6.根据权利要求4所述的流量入侵检测方法，其中，所述对所述M个第一特征向量进行逐点卷积运算，通过所述N个输出通道，得到N个所述初始特征向量，还包括：

将所述M个输入通道和所述N个输出通道分为G组，得到G个分组卷积通道矩阵，G为正整数；

对于所述G个分组卷积通道矩阵的每个所述分组卷积通道矩阵，将所述分组卷积通道矩阵拆分为第一子卷积通道矩阵和第二子卷积通道矩阵，所述第一子卷积通道矩阵包括C个输出通道，所述第二子卷积通道矩阵包括C个输入通道，C为正整数；

分别通过G个所述第一子卷积通道矩阵对所述M个第一特征向量进行逐点卷积，得到G×C个第二特征向量；

对所述G×C个第二特征向量进行通道混洗，得到G×C个第三特征向量；以及

分别通过G个所述第二子卷积通道矩阵对所述G×C个第三特征向量进行逐点卷积，得到N个所述初始特征向量。

7.根据权利要求6所述的流量入侵检测方法，其中，所述将所述分组卷积通道矩阵拆分为第一子卷积通道矩阵和第二子卷积通道矩阵，包括：

根据

将所述分组卷积通道矩阵拆分为第一子卷积通道矩阵和第二子卷积通道矩阵拆分为两个子卷积，其中，为卷积层中第L层的分组卷积通道矩阵，具有e个输入通道和f个输出通道，为第一子卷积通道矩阵，为第二子卷积通道矩阵，L-1层为具有C个输出通道的中间层，其中M＝G×e，N＝G×f，e和f为正整数。