[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

说明书

本公开提供了一种流量入侵检测方法，可以应用于网络安全和计算机网络管理领域。该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；通过对多个特征向量构成的数据流进行傅里叶变换，提取数据流的频域特征；以及通过分类器，根据频域特征检测数据流的类型。本公开还提供了一种流量入侵检测装置、设备、存储介质和程序产品。

技术领域

本公开涉及网络安全和计算机网络管理领域，具体地涉及一种基于神经网络的流量入侵检测方法、装置、设备、存储介质和程序产品。

背景技术

随着互联网技术的发展，网络流量入侵检测是保障网络安全的重要手段。例如，传统入侵检测方法主要包括基于签名的方法、基于统计的方法和基于信息熵的方法等等。然而，上述方法往往具有较高的误报率，且所定义检测规则容易随时间推移和攻击演变而过时。

目前，一些工作尝试利用深度学习进行流量入侵检测。然而，深度学习模型通常复杂度过高，会占用大量的计算及内存资源，给实际应用带来了一定的困难。例如，在没有强大的计算资源作为硬件支撑的情况下，如果深度学习模型的运算量和参数量较大，则无法保证部署所需的运算资源及检测的实时性。

发明内容

鉴于上述问题，本公开提供了提高计算效率的基于轻量级神经网络结构的流量入侵检测方法、装置、设备、存储介质和程序产品。

根据本公开的第一个方面，提供了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；通过对多个特征向量构成的数据流进行傅里叶变换，提取数据流的频域特征；以及通过分类器，根据频域特征检测数据流的类型。

根据本公开的实施例，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；以及对于多个流量数据包中每个流量数据包的初始特征向量，通过神经网络的全连接层，对初始特征向量进行压缩，得到特征向量，其中特征向量的维度小于初始特征向量。

根据本公开的实施例，多个流量数据包包括M个数据包，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；通过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，每个输入通道设有一个卷积核；通过M组通道的M个卷积核分别对M个数据包进行深度卷积运算，得到M个第一特征向量；对M个第一特征向量进行逐点卷积运算，通过N个输出通道，得到N个初始特征向量。

根据本公开的实施例，通过M组通道的M个卷积核分别对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M个输入通道中第m个输入通道的卷积核，Q_l+d-1，m为第m个通道中长为l的一维卷积特征图，d为卷积核遍历的一维卷积特征图特中的像素点。

根据本公开的实施例，对M个第一特征向量进行逐点卷积运算，通过N个输出通道，得到N个初始特征向量，包括：根据

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